科技與工程學院
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/5
沿革
科技與工程學院（原名為科技學院）於87學年度成立，其目標除致力於科技與工程教育師資培育外，亦積極培育與科技產業有關之工程及管理專業人才。學院成立之初在原有之工業教育學系、工業科技教育學系、圖文傳播學系等三系下，自91學年度增設「機電科技研究所」，該所於93學年度起設立學士班並更名為「機電科技學系」。本學院於93學年度亦增設「應用電子科技研究所」，並於96學年度合併工教系電機電子組成立「應用電子科技學系」。此外，「工業科技教育學系」於98學年度更名為「科技應用與人力資源發展學系」朝向培育科技產業之人力資源專才。之後，本院為配合本校轉型之規劃，增加學生於科技與工程產業職場的競爭，本院之「機電科技學系」與「應用電子科技學系」逐漸朝工程技術發展，兩系並於103學年度起分別更名為「機電工程學系」及「電機工程學系」。同年，本學院名稱亦由原「科技學院」更名為「科技與工程學院」。至此，本院發展之重點涵蓋教育（技職教育/科技教育/工程教育）、科技及工程等三大領域，並定位為以技術為本位之應用型學院。
107學年度，為配合本校轉型規劃，「光電科技研究所」由原隸屬於理學院改為隸屬本（科技與工程）學院，另增設2學程，分別為「車輛與能源工程學士學位學程」及「光電工程學士學位學程」。
News
Browse
16 results
Search Results
Item 用於光學同調斷層掃描之基於深度學習和聯邦學習框架之視網膜積液分割技術(2024) 林志韋; Lin, Chih-Wei在眼科領域，光學相干斷層掃描（OCT）是檢測眼病的關鍵技術。偏鄉資源有限僅能使用輕量化設備，但其計算能力不足，難以支撐較為大型模型的訓練，以及數據缺乏和隱私問題阻礙醫院數據共享。首先針對輕量化設備，基於LEDNet設計了高效的LEDNet(α)模型，通過調整通道、添加Shuffle Attention模塊和Group Normalization。使用成本低廉的樹莓派5進行訓練，適合偏鄉需求，為解決隱私問題，引入聯邦學習，通過上傳本地模型參數聚合全局模型，避免資料直接上傳。本研究提出Krum(α)算法，在客戶端損失函數中添加近端項並考慮模型自適應性，改善淘汰機制，改進基於歐氏距離淘汰惡意模型的Krum算法。最後實驗結果顯示，在AROI、DUKE、UMN和RETOUCH數據集上，AROI積液類別提高了3.4%，DUKE提高了5.9%，UMN提高了2.4%，RETOUCH提高了1.4%。Item 基於臉部及語音特徵之輕量化深度學習情感辨識系統(2024) 呂健維; Lu, Chien-Wei因應近年來高齡化導致老人照護人力缺乏，本研究提出了一種可被應用於陪伴型機器人(Zenbo Junior II)上的整合臉部表情和語音的情感識別輕量化模型。近年來對於人類的情感識別技術大多使用基於卷積神經網路(Convolutional Neural Network, CNN)的方式來實現，並得到了優秀的成果，然而，這些先進的技術都沒有考慮計算成本的問題，導致這些技術在計算能力有限的設備上無法運行(例如，陪伴型機器人)。因此，本研究將輕量化的GhostNet模型，應用於臉部情感識別的模型，並將輕量化的一維卷積神經網路(One Dimensional Convolutional Neural Network, 1D-CNN)作為語音情感識別模型，再利用幾何平均數的方式將兩個模態預測的結果整合。所提出的模型，在RAVDESS和CREMA-D兩個數據集上分別取得了97.56%及82.33%的準確率，在確保了高準確率的情況下，本研究將參數量壓縮到了0.92M，浮點運算次數減少至0.77G，比起目前已知的先進技術要少了數十倍。最後，將本研究的模型實際部署在Zenbo Junior II中，並透過模型與硬體的運算強度作比較，得知本研究的模型能夠更加順利的在該硬體中運行，且臉部及語音情感識別模型的推理時間分別只有1500毫秒及12毫秒。Item 用於陪伴型機器人之輕量化深度學習音樂情緒辨識模型(2024) 林彥榕; Lin, Yen-Jung為了應對現今社會高齡化，導致老人缺乏陪伴導致的孤獨問題，本研究提出用於陪伴型機器人Zenbo Junior II的音樂情緒辨識模型來解決老人孤獨導致的情緒問題。在音樂情緒辨識這個研究領域中，雖然也有很多人已經在進行這項研究，但是這些研究中沒有能用於Zenbo Junior II的輕量化架構。本研究提出的方法是使用一維卷機神經網路(1D-Convolutional Neural Network, 1D-CNN)替換掉常用的2D-CNN並且使用閘門循環單元(Gated Recurrent Unit, GRU)使模型能更好的考慮音頻特徵的連續性。在訓練完模型後儲存並應用於Zenbo Junior II上，先將另一研究的情緒對應成4種情緒後播放音樂調適情緒。本研究提出之模型在PMEmo數據集上Valence和Arousal分別為0.04和0.038與其他模型相比效能最好。並且參數量僅有0.721M浮點運算次數僅有9.303M，遠小於其他相比較之模型。運算強度最靠近Zenbo Junior II之最佳工作點，且模型辨識音樂所需推理時間僅需229毫秒，可以即時辨識出音樂的情緒。這些表明本研究成功提出一個輕量化且效能優異，並且可以在Zenbo Junior II上運行的模型。Item 用於光學相干斷層掃描之基於深度學習和聯邦學習框架之視網膜層分割技術(2024) 張博翔; Chang, Po Hsiang在本研究中，我們提出了一種輕量級模型FPENet(α)，以FPENet為基底，用於處理專為邊緣設備設計的 OCT 影像中視網膜層分割。視網膜層分割是眼科診斷的重要工具，但其在資源有限的邊緣設備上應用時存在計算成本和精度之間的瓶頸。FedLion(α)在使用 HCMS資料集、NR206資料集及OCT5K資料集進行訓練和測試時，實現了高精度和高效率。該模型經過最佳化，實現了精度和計算成本之間的平衡。FPENet(α)可以有效地捕捉不同尺度的特徵，同時大幅降低計算成本，非常適合部署在如Raspberry Pi等資源有限的邊緣設備上，其輕量化設計使其在計算資源和內存容量方面具有顯著優勢。聯邦學習的部分我們以FedLion為基礎添加了L2正則化與學習率遞減，提出FedLion(α)，有效處理數據非獨立同分布的問題。數據顯示使用FPENet(α)與FedLion(α)進行聯邦學習，相較於原先只使用FPENet(α)，在HCMS資料集平均DICE係數提升了0.7%，在NR206資料集提升了3.75%，在OCT5K資料集提升了9.1%。Item 應用類神經網路、卷積神經網路與長短期記憶模型預測動態隨機存取記憶體價格(2022) 許傑宗; Hsu, Chieh-Tsung動態隨機存取記憶體(Dynamic Random Access Memory，DRAM)為最重要的半導體元件之一，隨著科技產品的日新月異，動態隨機存取記憶體之需求量逐年增加。近年來，由於動態隨機存取記憶體的產值佔全球半導體產業總產值之比重提高，比例已經趨近18%，預測DRAM的價格，對於記憶體製造商、資通訊廠商、與投資人之重要性不可言喻。預測DRAM價格，可作為記憶體製造商調節產能及定價之基礎，也可以作為資通訊廠商訂定零組件採購成本與投資人預測合理股價之依據。類神經網路的原理，為模擬人腦的學習過程，近年來，學者、專家嘗試提出各類新型神經網路模型，並已經成功應用於許多領域，預測準確率，甚至高於許多傳統方法。雖然動態隨機存取記憶體價格之預測非常重要，但少有學者使用新型神經網路，預測動態隨機存取記憶體價格。因此，本研究擬導入類神經網路、卷積神經網路與長短期記憶模型，預測動態隨機存取記憶體之價格，並且比較三種方法之預測準確率。 本研究將以近十年第三代雙倍資料傳輸率(Double Data Rate，DDR3)同步動態隨機存取記憶體(Synchronous DRAM，SDRAM)單位價格為基礎，實證研究三種方法於預測之準確率，並比較三種方法之預測準確率。依據實證研究結果，長短期記憶模型為較佳的預測方法，在周資料集與日資料集預測有最低的平均絕對百分比誤差(Mean Absolute Percentage Error， MAPE)，分別為4.187與3.961，準確率高於其他兩種方法。本研究結果指出，長短期記憶模型具有良好的預測能力，可以作為預測未來動態隨機存取記憶體價格的方法。Item 結合雙AI晶片與熱成像溫測模組之自動目標搜索與溫度量測系統(2022) 沈方靖; Shen, Fang-Jing本論文提出一種自動搜索目標系統，使用雙人工智慧邊緣型運算處理器結合紅外線熱成像感測器，並透過步控制進馬達來實現自動搜索目標且掃瞄範圍擴增的人體溫度測量設備。本文首先回顧深度學習及類神經網路對於影像辨識的起源以及其應用性，並探討邊緣型處理器對於人形偵測的可行性，再根據此基礎發想出測量人體溫度之應用。而後介紹本論文主要系統架構及硬體設備，使用Mipy深度學習AI開發板配合多種感測裝置，來達成AI目標辨識及環境訊息的測量。本系統架構建立於模型本身的可靠性，針對模型訓練的部分有加強描述：從目標圖片的選取及拍攝、訓練過程的流程改善及參數調整、及最後模型在實驗環境的誤判修正。接著將訓練好的模型載入雙Mipy深度學習AI開發板，並制定一套演算法，協調各微處理器間的交互關係，達成快速掃描且穩定測溫的功能。最後針對多個實際場景，驗證本論文所描述之目標以及該架構反應速度與正確性。Item 以卷積神經網路檢測塑膠射出成型製品瑕疵(2021) 徐晧恩; Hsu, Hao-En一個產品的成功與否與企業的成敗息息相關，而品質管理是影響產品成功的重要因素，也是形塑企業競爭力的重要環節。塑膠射出成型適用於生產形狀複雜的加工工藝，而使用普遍原因是因為塑膠射出成型能在較短的週期時間大量生產出產品，且具有非常高的產品精度，所以在消費型電子產品上被廣泛使用，其中因為產品需要非常精密的尺寸與外觀，使品質把關變得非常嚴格。基於完善的瑕疵檢測系統可以幫助產線更快的判定產品的好壞，藉以減少人力成本以及檢驗成本等動機與目的。本研究基於卷積神經網路，使用傳統卷積神經網路以及You Only Look Once (YOLO) V3做為本研究模型架構開發塑膠射出成型產品不良品瑕疵檢測系統。首先本研究選定Rombit所開發之工人安全與防疫追蹤穿戴裝置Romware ONE作為研究對象，拍攝一定數量的相片，經過預處理後將資料分別導入傳統卷積神經網路以及基於YOLO V3所開發模型中訓練，直到模型達到理想情況。本研究結果使用傳統卷積神經網路發生過度擬和情況，使實際使用不如預期。而YOLO V3建構之模型經過訓練與調整最終達到F1分數為0.9775，mAP50為96.8254，因此在偵測產品缺陷上面有良好表現。未來可能再細分更多缺陷類別，達到更精確的檢測效果。Item 基於生成對抗式網路的人臉影像身分重建(2021) 屈軒宇; Chiu, Daniel基於卷積神經網路的人臉辨識技術已經達成極高的準確率並且廣泛應用於各種場域，然而在特定的應用場合人臉辨識技術還是有很大的挑戰，特別是影像品質不佳的監控設備環境下，人會與鏡頭有較大的距離，導致人臉影像解析度過低造成人臉身分難以辨識，為此我們提出一個新穎的基於生成對抗式網路的人臉影像重建網路，藉由學習低解析度的人臉影像與高解析度的人臉影像之映射關係，我們可以從低解析度人臉影像重建出高解析度人臉影像，此外我們使用Feature Embedding的方法從網路的輸出層得到人臉身分特徵，並且利用三元組損失計算人臉身分特徵用以訓練神經網路，使神經網路可以藉由人臉身分特徵表達做相應的高解析度人臉影像重建，實驗階段我們使用了公開的人臉資料集CASIA-WebFaces進行訓練，並與近年來基於深度學習所提出的底解析度人臉重建方法作為比較並稱為傳統方法。實驗結果表明我們所提出的極低解析度人臉重建網路在大倍率放大的影像品質與辨識率優於傳統方法。Item 人工智慧面試官與人類專業面試官對於面試者在錄影面試中進行印象管理辨別程度之比較性研究(2021) 范瀚之; Fan, Han-Chih面試是最常見的招募甄選工具，幾乎每個組織都會採用面試。在面試過程當中，面試者會努力運用誠實性或是欺騙性的印象管理(Impression management, IM)技巧來影響面試官的評分，以期提高錄取的機會。隨著科技的發展，不同型態的面試方式如視訊會議或錄影面試，以及面試決策輔助工具像是人工智慧面試官(Embedded artificial intelligence, embedded AI)等也越來越常見。與人工智慧面試官相比，人類專業面試官透過口語與非口語線索如臉部表情(Facial expressions)，細微臉部表情(Subtle facial expressions)或微表情 (Micro expressions）來判斷面試者表現的敏感度較低，且無法準確判斷面試者是否有使用印象管理技巧。本研究邀請30位曾任或現職為管理職或人力資源之從業者，作為人類專業面試官。再邀請32位有工作經驗之社會人士或即將畢業的學生作為面試者進行錄影面試（又稱非同步視訊面試）並填寫自我印象管理問卷。每位面試者由3位面試官看完錄影面試後進行印象管理評分；再將錄影面試資料由先前研究所開發出能夠自動辨認印象管理技巧之人工智慧面試官來產出印象管理評分。資料收集完全後，將面試者印象管理自評之分數與人工智慧面試官評分與人類專業面試官評分與進行相關分析。結論顯示人工智慧面試官評分與面試者自評在自我推銷、自我辯護、誇大不實與避重就輕等四種印象管理構面上都有顯著正相關，而人類專業面試官評分與面試自評在此四個構面上皆無顯著相關。故可得知人工智慧面試官較人類專業面試官更能辨別面試者在印象管理技巧之使用。Item 運用波前修正於數位全像造影及其深度學習致動粒子偵測之研究(2020) 高揚傑; Gao, Yang-Jie本論文主要探討利用數位全像式的資料及波前修正技術於深度學習以影像辨識上的優勢，以達到三維粒子偵測之目的。在數位全像造影中，本文探討波前像差對於樣品資訊的影響及修正方法，以得到正確的物體資訊，同時運用數位全像資料擴增方法，來提升數據集的多樣性。而運用上述方法即可透過數位全像術取得粒子的波前繞射資訊，再運用深度學習於物件偵測的技術，藉由調整模型架構及參數，來使樣品偵測能力及辨識能力達到最大準確度，來進行三維空間位置定位及尺寸分類，以利未來透過數位全像顯微造影系統擷取其他樣品的光場資訊進行定位，增加未來應用的潛力。