開發海洋廢棄物與船隻即時影像辨識演算法，於定點漁港場域建置霧端影像擷取設備透過蒐集各種船隻與海廢影像樣本與雲端協作建立AI模型，透過霧端即時推論引擎將海廢依種類、數量辨識分析，再利用訓練好的模型在分散式的霧端設備快速時間內完成推論，將微量的推論結果非同步更新給雲端，兼具低延遲、成本效益與資料有效性等特性，降低航安損失並維護海洋環境永續價值。

本技術將整個流程分為前半的Deep Learning部份與後半的Tracking System部份， Deep Learning部份使用自行開發的ReCoreNet神經網路架構，達到輕量及小物件偵測透過大量資料訓練出偵測一般物件及可疑物件的model後，使用其model在測試時輸入一段監視畫面，截取每個frame的所有目標座標後將之與同一段影片作為Tracking System的輸入。Tracking System的部份用於可疑物追縱，以ReCoreNet對於每個輸出的目標座標與為輸入，再對同一支影片繪出目標的位置，尋找各個frame之間座標的關聯性，即可對影片中出現的目標進行追縱，為了在錯綜複雜的環境中提高追縱的準確度，本文使用Kalman filter對每個目標進行路線預測，最大限度降低追縱錯誤的發生機率。

最後上述方式整合完成自動偵測與辨識船隻與海洋廢棄物後，即時將警告訊息顯示於監控畫面，且將可疑廢棄物之位置傳送至GIS系統，以利監管人員前往找尋或回報海洋廢棄物之位置。

本技術分為Deep Learning與Tracking System，Deep Learning使用自行開發的神經網路架構，將之與同一段影片作為Tracking System的輸入。Tracking System用於可疑物追縱，以ReCoreNet對每個輸出的目標座標與為輸入，進行追縱，降低錯誤。

本技術可與廠商合作，即時監控海洋廢棄物狀況，即時判斷準確位置並整合GIS圖資即時通報給相關管理單位以達到更有效的維護海洋環境，可與政府單位-環保署 、資源回收業者 、海洋環境保護團體等合作。