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
26 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 基於深度學習之光流法應用於全天空影像之日射量估計與預測(2023) 陳家豪; Chen, Chia-Hao因應太陽能發電日益重要，又因太陽能發電量受制於日射量的影響，同時考量太陽能發電是間歇性的能源，故提出一種基於深度學習光流應用於全天空影像之日射量估計與預測的方法。由於日射量變化容易受到天氣狀況影響，本文藉由全天空影像，建立一個以影像特徵為基礎之日射量估計與預測系統，其影像特徵包括，利用紅藍比例法計算影像中雲層比例、雲層厚度，及藉太陽位置演算法得到影像中太陽位置，分析太陽附近雲層特徵，萃取全域與局部的雲層權重。同時用基於深度學習的光流法推算雲層移動的狀態，並製作未來數分鐘之天空預測圖像，將這些預測圖像作長短期記憶(LSTM)之輸入特徵，日射量作為訓練輸出，其深度學習光流法是透過卷積神經網路來實現。本文將資料集區分為月、季、半年與一年，分別進行10分鐘至60分鐘的日射量預測。同時，本文使用多個效能指標評估效果，包括平均絕對誤差(Mean Absolute Error)、均方根誤差(Root Mean Square Error)與判定係數(R^2)。最後，與文獻的方法進行比較，本文所提的方法具有較好的結果。Item 基於非監督式生成對抗網路及對比學習之水下影像品質回復(2023) 宋奕泓; Sung, Yi-Hung近年來水下環境之相關應用的重要性與日俱增，比如：水下資源探勘及水下環境監控。這些應用往往需要由水下無人載具來擷取水下數位影像資料以供後續之資料分析及其相關應用 (例如：水下物件偵測及水下影像分類等相關應用)。然而水下影像品質受到許多環境因素影響而造成影像退化，包括光線折射、反射等等，如此可能使得基於水下影像之相關應用無法得到良好的效果。近年來，隨著深度學習技術蓬勃發展，研究者提出許多基於深度學習的模型來改善水下影像的品質。目前現有方法中，以具備成對影像資料之監督式深度學習模型為主。成對影像學習雖然能以較輕量模型得到好的影像品質回復效果，但礙於現實難以取得成對的原始水下影像及其還原之陸上影像，因此模型訓練上受到許多限制。為了解決這個限制，許多研究以人工合成之影像來建立成對之訓練影像資料集。然而，人工合成之訓練影像資料集未必能反映真實的水下影像特性。為了解決此問題，最近已有研究提出使用生成對抗網路及非成對影像資料來進行深度學習網路訓練。本論文提出一基於非成對影像資料及生成對抗網路之深度學習模型，來處理水下影像回復的問題。本論文提出基於非成對訓練影像資料集及利用生成對抗網路架構訓練一影像領域轉換生成器將輸入之水下影像轉換為對應之陸上影像 (回復之水下影像)，其中我們利用對比學習及多樣損失函數來進行網路訓練。實驗結果已證實我們的方法可得到較佳的回復影像品質且優於 (或近似) 現有基於成對/非成對訓練資料之基於深度學習之水下影像回復網路。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 疊代推進生成對抗網路用於陰影去除(2022) 吳建霖; Wu, Chien-Lin隨著科技的高速發展，深度學習在工業、軍事、民生科技處處都有大量的應用，現今運用在影像處理上的深度學習技術不斷進步，影像的去除如影像除霧、去反光、去陰影等都是電腦視覺領域中具挑戰性的任務。本論文研究目的為針對影像陰影去除提出了迭代推進生成對抗網路，首先我們輸入陰影圖藉由兩個生成器網路分別生成出無陰影的圖及殘差陰影圖，將兩者合成得到陰影圖，與輸入進行比對，最後將合成的圖再次輸入至網路重複上述步驟直到收斂，透過迭代推進的方式提升陰影移除的效果。此外為了使結果更加優異，我們的生成器網路加入了注意力機制，讓模型更專注於影子的部分，以及長短期記憶，使我們在長序列訓練過程中有更好的表現，最後是修復網路，以進一步改善生成的結果。我們與傳統方法以及近年來基於深度學習所提出的陰影去除方法比較，實驗結果表明本論文所提出的迭代推進方法有更優異的結果。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。
- «
- 1 (current)
- 2
- 3
- »