一條超過70公里、穿梭山林與隧道之間的鐵路，要如何24小時掌握沿線是否有落石或異物闖入？對阿里山林業鐵路及文化資產管理處（以下簡稱林鐵處）而言，這不是多裝幾支攝影機就能解決的問題。

山區鐵路彎道、隧道多，司機員視線容易受到地形限制；地震、豪雨過後，邊坡又可能出現落石、倒木等風險。部分山區缺乏穩定市電，通訊條件有限，加上林鐵具有自然與文化景觀價值，設備布建還必須降低對環境的干擾。

「靠人力太浪費人的時間，而且路線那麼長，沒有辦法即時發現問題。」林鐵處科長連祥益說。尤其列車行經彎道、駛出隧道時，前方視野可能直到很短的距離內才打開。一旦異物就在軌道上，司機員真正能夠判斷與反應的時間相當有限。因此，林鐵處想解決的問題很明確：能不能讓系統比列車更早一步看見危險？

從感測落石，到直接守住軌道

民國110年，林鐵處透過經濟部中小及新創企業署「新創採購發展計畫—場域實證．共創解題」機制，開始嘗試將物聯網技術導入落石監測。

第一階段的做法，是在防落石設施配置震動感測裝置，一旦落石、倒木等外力撞擊，就觸發訊號並啟動警示。實證期間，系統確實曾偵測到大型倒木碰撞防護設施，也證明低功耗物聯網設備有機會在缺乏市電的山區運作。但實際使用後，接觸式感測的限制也跟著浮現。

它的基本邏輯是「碰到才知道」，動物碰觸可能觸發訊號；反過來說，如果落石彈跳時沒有撞擊感測區域，最後卻直接進入軌道，也可能形成監測盲點。問題因此被重新定義：真正需要知道的，不是山坡上有沒有東西掉下來，而是軌道上有沒有足以影響行車安全的異物。

111年，雙方進一步導入影像辨識，讓攝影機直接「看」向軌道。但攝影機拍得到軌道，不代表系統看得懂危險。相較人臉、車牌等具有相對固定特徵的辨識任務，落石、倒木等軌道異物沒有統一樣貌，加上天然災害影像難以大量取得，也讓既有的資料訓練方式面臨限制。

「災害很難取得大量資料，你不可能每天去製造落石。」歐米智聯總經理陳弘宇指出，即使網路上找得到災害影片，許多也是手機拍攝，和固定式CCTV的影像條件不同。

因此，歐米智聯採取的思路，不只是教系統回答「這是不是一顆石頭」，而是先掌握正常、安全的軌道畫面，再從即時影像中判斷是否出現原本不存在、並持續滯留的物體。與其教系統認識世界上所有落石，不如先讓它知道：軌道上是不是多了一個原本不該存在的東西。

軟體要看懂阿里山，硬體也得活得下來

真正的考驗，從設備進入阿里山才開始。午後霧氣、日照陰影、落葉、水珠、蜘蛛網、野生動物，甚至列車本身進入畫面，都可能造成前後影像變化。對人眼而言，一眼就能理解的環境變化，對程式而言卻都必須重新判斷：究竟只是雜訊，還是真正威脅行車的異物？

為降低雨霧與光線變化等環境干擾，歐米智聯透過影像複雜度、邊緣特徵及訊噪比等多重指標進行前處理，先有效剔除環境雜訊，再精準比對即時影像與穩定背景的差異。透過這些前處理技術與日後龐大 AI 訓練參數模型的持續累積，不僅大幅提升了模型的抗干擾能力，新創解題更為歐米奠定了深厚且強大的 AI 演算基礎。

總經理陳弘宇指出，防災系統的基本要求是寧可提高告警敏感度，也不能漏掉真正的危險；但如果誤報頻率過高，第一線人員久而久之也可能產生「狼來了」效應。因此，辨識率並非唯一指標，如何降低漏報，同時避免頻繁誤報消耗第一線人員的信任，才是防災系統能否長期使用的關鍵。林鐵處與歐米智聯也因此展開一次次現場回饋與軟體調校。

111年10月第一次影像辨識測試後，現場人員就提出一個很實際的問題：系統雖然能送出異物畫面，但要如何確認是什麼時間偵測到？辨識的尺寸大小又是如何呢？歐米智聯隨後進行了大規模的程式重構與深度優化程式，在同年12月第二次測試時加入時間戳記、物件座標與辨識框，讓每一次告警都留下可以確認與追溯的資訊。從第一次測試到第二次調整，時間戳記、座標與辨識框的加入，也具體呈現出場域端如何參與產品修正。

演算法之外，硬體還得面對山區的物理限制。沒有穩定市電，就必須降低功耗。歐米智聯提供的資料顯示，整套系統功耗約18.4W，並透過太陽能與蓄電設備規劃約7天的備援能力；告警則區分現場與遠端兩條路徑，現場透過低功耗物聯網通訊啟動LED警示牌，遠端再透過4G行動網路將影像與訊息傳至LINE群組。即使遠端通訊受到影響，現場警示仍有獨立運作的設計。如果說軟體要學會「看懂阿里山」，硬體面對的課題就是先學會「活在阿里山」。

從一處實證到擴大建置，真正爭取的是「反應時間」

一套防災系統最終仍要回到現場驗證。依歐米智聯提供的實證紀錄，111年12月以約30×35公分物體、距離攝影機約10至20公尺進行測試；三輪、每輪20次的軌道異物入侵測試，整體辨識率達95%以上。偵測到異常後，系統除了啟動現場警示，LINE告警約可在3秒內送達。

對林鐵處而言，這幾秒鐘真正代表的不是一項漂亮的效能數字，而是反應時間被往前推了。過去，司機員可能要等到列車駛出隧道、繞過彎道，親眼看到異物才開始反應；現在則多了一層系統持續監測，嘗試在列車抵達以前先把異常送出去。而最初場域完成實證後，林鐵處後續再選定9處重點路段擴大建置。

連科長回憶最初面對新技術時，機關其實不可能一開始就投入大量經費，因為當時沒有人能確定這套技術最後能不能成功。正因如此，先透過一處場域驗證，確認技術確實有機會解決問題，再決定是否擴大投入，反而降低了第一次採用創新技術的風險。從實證走向後續擴大建置，不僅是這次合作最具體的成果，更是技術獲得場域認可最直接的證明。 

政府先出題，不必先知道答案

一般政府採購，多建立在需求與產品規格已相對明確的前提下；但創新問題最棘手之處，往往就是機關知道問題在哪裡，卻還不知道最適合的技術答案長什麼樣子。

若一開始就要求承辦人員把設備型號、感測方式甚至技術架構全部寫進規格，某種程度上等於要求提出問題的人，必須先知道答案。因此新創採購發展計畫提供的另一條路徑，是讓機關先從需求出發，把真實場域交給新創解題，再透過測試、回饋與修正，逐漸找到真正可用的方案。這個過程對歐米智聯同樣重要。

「新創最缺的不是想法，是能合法反覆試錯的真實場域。」歐米智聯經理林家瑋說。而阿里山林鐵的複雜環境，恰好讓技術必須跨過實際部署與長期維運的考驗。新創不能只證明「技術做得到」，還得回答它能否長時間留在現場，被第一線真正使用。

新創採購發展計畫一方面降低林鐵處首次導入創新技術的門檻，也讓歐米智聯有機會把原本的技術概念帶進真實場域，在一次次測試中修正為具備實際部署能力的方案。這也是「場域實證．共創解題」真正產生價值的地方：政府提供的不是科技展示的櫥窗，而是個讓技術接受真實世界考驗的環境；新創交付的，更是在問題與回饋中持續成熟的解法。

從看見異常，到理解風險

如今，雙方也開始思考下一階段的可能性，嘗試朝「AI 代理人」與「智慧決策中心」邁進。想像一下，未來的系統一旦在深夜偵測到土石滑落，AI 代理人不僅能發送告警，還能自動判定落石尺寸、自動通報開口契約廠商搶修，並在秒級內自動產出災情統計與首報新聞稿，實現通報閉環。而當颱風豪雨來襲，智慧決策中心能整合同一邊坡多個監測點的位移趨勢。未來系統將結合強大的AI演算法分析並提供科學化的數據模型，協助管理人員做出「是否停駛列車」的重大決策，卸下決策者過往僅憑經驗與直覺判斷的沉重壓力。

這些仍是下一階段的構想。但過去兩階段的合作已經證明，公共場域的數位轉型，不一定要從一套龐大而完整的系統開始。它可以從一個非常具體的問題開始：如何在列車抵達前，先知道軌道上出現了不該出現的東西？

第一次解題，用感測器感覺撞擊；發現還不夠，就讓攝影機直接看向軌道；畫面受到環境干擾，就持續修正辨識邏輯；山裡沒有穩定市電，就重新思考供電與通訊。對一條歷史悠久的山林鐵路而言，數位轉型不是用新科技取代既有的一切，而是在軌道、工程防護與人員經驗之上，再增加一層持續感知風險的能力。當列車還沒有駛出隧道，系統已經先看向前方。

這幾秒鐘，是科技為山林鐵路爭取到的安全餘裕，也是新創採購發展計畫讓一項創新解方，從「值得一試」走向「真正可用」的關鍵一步。