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

Search Results

Now showing 1 - 7 of 7
  • Item
    基於深度學習之路面破損檢測
    (2021) 章皓鈞; Chang, Hao-Chun
    目前國內的道路維護方式多為定期派遣工程車檢測以及依賴人民的通報,而為了盡早的發現道路損壞並進行修復,本研究運用Mask R-CNN深度學習之方式建立道路破損辨識模型。透過Mask R-CNN深度學習演算法,以及運用python 、OpenCV撰寫進行道路破損檢測與資料整合,持續的分析模型數據並根據結果進行再訓練。利用路面破損辨識模型檢測出路面上的龜裂、裂縫、補綻、變形以及坑洞,並在龜裂、裂縫、補綻、變形達到86%以上的召回率,精確率除了裂縫、坑洞之外有82%以上,此外對檢測出來的破損範圍進行面積計算,為日後養護維修提供面積的量化指標,進而輔助人力巡查作業。
  • Item
    自動樂譜辨識與打擊樂機器人系統
    (2020) 黃朝慶; HUANG, Chao-Ching
    光學樂譜辨識系統是一套針對樂譜影像進行影像辨識的系統,在樂譜影像中,音符是用以記錄音階和節拍的資訊,在過去許多的研究和實驗當中,針對高解析度的樂譜辨識系統已經達到成熟的階段。然而,基於相機影像的樂譜辨識會受到環境光線、角度和模糊的影響,故仍有進一步研究的必要,我們初次嘗試將深度學習架構應用在基於相機影像的樂譜辨識系統。首先,我們使用線偵測演算法在即時攝影畫面中自動偵測樂譜影像,並找出樂譜當中的五線譜範圍,因為我們只專注於五線譜當中的音符資訊,為了完成這個任務,我們使用霍夫線偵測演算法並取得每一行五線譜的範圍。接下來,為偵測、切割及辨識每一個音符,我們將每一行獨立的五線譜送至基於Darknet53網路之YOLO v3的檢測模型當中,目前可以辨識六類的音符分類名稱分別為全音符、二分音符、四分音符、八分音符、四分休止符和二分休止符,再者,將YOLO v3所偵測到的音符根據樂譜中的位置進行排序,並送至卷積神經網路用以辨識音階,現階段我們可以辨識C3到F4共十一類的音階,最後我們透過RS232連接Delta機械手臂進行樂器的演奏。在光學樂譜辨識的發展中,我使用霍夫線偵測樂譜中每行的五線譜範圍,如此我們可以避免歌詞或圖案的雜訊,減少辨識的錯誤。不僅如此,透過自動化五線譜偵測所取得的樂譜影像使用深度學習的架構進行辨識,並在介面上顯示音階和節拍,至終,我們使用機械手臂進行演奏。
  • Item
    基於卷積神經網路之即時人臉表情辨識
    (2019) 劉耿丞; Liu, Keng-Cheng
    本文提出基於卷積神經網路(Convolution Neural Network, CNN)之即時人臉表情辨識系統,透過所提出之穩定度提升方法,以解決即時人臉表情辨識的不穩定問題。提高人臉表情辨識準確率的方式有許多種,例如:圖片預處理、辨識架構改變等無非都是要讓應用方面的效果更好。本文想解決攝影機在光照等影響下會造成不斷擷取畫面的某些時刻之圖片特徵改變,導致人臉表情在辨識中產生錯誤。由於攝影機的高速擷取影像,圖片與圖片之間時間間隔較小,因此,本文針對於改良LeNet卷積神經網路和Two Stream卷積神經網路架構辨識系統提出不同的方法,前者使用比重平均法,而後者使用統計法,使用提出之方法後對於即時人臉表情辨識整體穩定度及強健性均獲得提升。
  • Item
    智慧型移動式機械手臂之設計
    (2010) 林哲祺; Che-Chi, Lin
    在現今科技產業日新月異的時代,機械手臂廣泛應用在工業自動化、微創手術、複雜且精密的產品生產、甚至替人類執行危險的任務,對人類的生活中帶來有極大的便利性,並且充滿著廣大的商機。 本論文研究之目的是設計擁有多個自由度的機械手臂搭配移動裝置,實現機械手臂能夠真正用在生活上的服務以及工作任務的執行。整個系統結合了影像處理技術,利用攝影機擷取到的影像來加以辨識後,將結果傳給控制器命令機械手臂執行相對應之動作。本研究主題並非是重覆執行同一件任務的傳統工業手臂,而是隨機判斷物體而執行任務,故必須額外推導順、逆向運動學用來處理物體在空間座標轉換到手臂轉軸角度的調配,產生運動軌跡並使用馬達致動器來進行物體夾取,以達到預先設定之任務,並且考慮到機械手臂展示時需要有優良的姿態協調去執行動作,讓機器人展示時更為生動活潑,祈使在人類未來的生活中,機械手臂的物體夾取系統能夠朝向更為複雜與高彈性的日常生活環境中。
  • Item
    公路長隧道內交通事件偵測
    (2010) 柯盟威; M. W. KE
    隨著工程及科技的發展迅速,開啟了長隧道時代的來臨;然而,隧道內的交通資訊取得、事故處理以及逃生系統,遠比在一般開放空間快速道路搶救,難上幾十甚至幾百倍。因此,一般用路人對於長隧道的特殊交通空間,並未有完善的知識以及交通資訊。若能在事故發生前做事故預防的警示,以及隧道內即時交通資訊的指示,成為交通順暢與否及避免危機的重要課題。 本研究目的,在於以影像處理達成(1)估測隧道內交通資訊(2)車輛變換車道偵測(3)故障停等車輛偵測(4)長隧道內火焰偵測。如果能在事故發生前、後,透過資訊可變標誌,給予適時、適當的預警,不但能降低事故的發生,更能大量節省事故發生後,緊急處理所需的時間,而使行車更加順暢。 本研究以公路長隧道內,雙白線資訊為偵測基礎,並(1)設定行車車輛數目,估測行車流量(2)當偵測出之車輛與雙白線直線方程式產生交集時,偵測出車輛跨越雙白線(3)以時空域動量分析偵測出車輛故障停等(4)基於公路長隧道標準照明下,分析火焰色彩資訊,進行火焰偵測。 實驗結果顯示,在各項交通事件偵測,準確率皆在九成以上;並且,在長隧道行車中,具備最低速限以及標準照明環境之下,本研究提出(1)以時空域動量分析演算法,偵測車輛故障停等,以及(2)利用色彩空間,偵測火焰區域,以八卦山隧道交通事件為例,進行偵測,所偵測之時間,分別較目前既有影像式事件偵測方式,更為提早1秒與2.6秒。如此便能更即時的通報給行控中心,作適當之處置。
  • Item
    8位元AES的FPGA設計及其五種模式之影像應用
    (2010) 江哲豪; Che-Hao Chiang
      高等加密標準(Advanced Encryption Standard, AES)硬體實現在現場可程式化閘陣列(FPGA)與特殊用途積體電路(ASIC)已經被很廣泛的討論;然而在嵌入式硬體的應用上,低產率與小面積的設計在近幾年也開始被研究。   本研究提出一個小面積的硬體電路,採用8位元的架構來實現AES-128的規格,其中使用Block RAM來完成位元組替換(SubByte)與移列轉換(ShiftRow)的動作,使用共用電路方式製作混行轉換(MixColumns);以軟體來取代硬體的金鑰擴展(KeyExpansion),來節省電路面積。透過上述所提出的方式在FPGA上所完成的實驗數據,其資源消耗為109個Slice、速度可達到94.056Mhz,是在目前文獻中8位元架構中最快的設計。   並且針對實現影像加解密的應用時所遇到的問題,本研究分別以各文獻中的方法實做,並且針對其各種不同的結果做分析,對於他們的缺點加以改良,優點予以保留,整理出一個更好的加密工作模式。
  • Item
    影像處理應用於矩陣LED瑕疵檢測之研究
    (2018) 張先任; Chang, Hsien-Jen
    矩陣發光二極體(Matrix Light Emitting Diode, Matrix LED)是業界應用最廣泛的LED材料之一。因為矩陣LED是個低單價的產品,加上檢測機台成本太高,使得廠商購買意願降低,所以矩陣LED瑕疵缺陷仍然由人工進行檢測。隨著人工成本提升和人工檢測的不穩定性,我們需要應用自動光學檢測(Automated Optical Inspection, AOI)解決矩陣LED瑕疵檢測的問題。在這本論文研究中,我們提出了一套有效的矩陣LED檢測系統。該系統提供三種檢測,第一為表面刮傷瑕疵、第二為RGB亮暗點檢測、第三為使用支援向量機(Support Vector Machine, SVM)進行亮暗點分析。 在表面刮傷瑕疵檢測主要由SURF (Speeded-Up Robust Features)特徵匹配結合透視變換進行圖像校正,然後在輪廓檢測部分本文使用FindContours函式,接著找出瑕疵邊緣使用Canny邊緣檢測,該方法的準確度可達98.00%,檢測每顆矩陣LED需花2.95秒。 RGB亮暗點檢測使用ROI擷取每顆LED後,使用cvAvgSdv函式計算R、G、B平均值,首先與前一顆LED進行G值的比較,將有色差LED檢測出來,最後與制訂範圍進行判斷,該方法的準確度可達到98.00%,實驗結果顯示,檢測每顆矩陣LED需花0.01秒。 最後,使用SVM結合HOG進行圖像分類,解決矩陣LED亮暗點的問題,其準確率可達98.33%,執行速度上,檢測每顆矩陣LED需花0.38秒。實驗結果顯示,所提出的方法是有效的,並勝過以前的方法。