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 - 4 of 4
  • Item
    以資訊植入及深度學習提升圖像化二維條碼實體輸出的辨識能力之研究
    (2021) 何怡慧; Ho, Yi-Huei
    QR code 是目前最普遍被採用的二維條碼,由於其為黑白模塊所組成,影響視 覺美觀,且在列印輸出時,因尺寸大小、網點擴張等印刷條件因素,導致條碼資訊 容易失真,影響解碼辨識。為了能夠將印刷輸出之小尺寸美化 QR code 保持視覺美 觀並且穩定解碼,因此本文提出了一套系統性的圖像化 QR code 資訊植入技術,列 印後掃描將辨識結果進行錯誤分析,了解 QR code 之黑點與白點資訊點模組的錯誤 特性並加以改善,最後以深度學習辨識來進行錯誤分析。實驗結果顯示,本研究所 發展的方法能相容於現行的列印輸出設備,在調整白色資訊點的植入訊息強度後, 可有效抑制因網點擴張所造成的「偽黑」 辨識錯誤的情形。且輸出的小尺寸圖像化 QR 仍有較佳視覺品質,降低錯誤發生率,並藉由深度學習辨識提升辨識能力,有 效增進美化 QR 的成功讀取率。對於彩色影像在指定輸出裝置的條件下,可得到最 佳化的 QR code 植入訊息方法及讀取能力,未來能夠運用於商業加值應用上,並彰 顯實體輸出條件對於圖像化 QR code 整合應用的重要性。
  • 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。
  • Item
    以卷積神經網路為基礎之軸承故障診斷系統
    (2019) 郭柏賢; Guo, Bo-Xain
    軸承在所有機械設備中,是最重要的機械部件之一,而軸承運行時之健 康狀況,除了直接影響整台設備的機能性,亦係造成設備故障的主要因素; 因此,對於設備診斷、維護時能夠精確評估軸承的健康狀況極為重要。 傳統軸承故障診斷方式仍存在許多改進空間,例如:僅限於同轉速下才 可進行軸承故障診斷,為解決此問題,本研究針對高低不同轉速之軸承設計 軸承故障診斷系統。該系統以卷積神經網路為基礎,將不同轉速之資料作為 資料集以建置神經網路模型,透過深度學習神經網路實現一跨轉速之軸承故 障診斷系統,為證明該方法的可信度,本研究資料來自具公信力的 Case WesternReserve 大學軸承資料中心,該資料中心網站有提供之軸承振動故障 訊號,且利用該網站提供的軸承訊號驗證本研究提出的方法,證實本研究之 故障診斷系統功效卓越。 本研究達成高低不同轉速之軸承資料進行同時分類,及利用神經網路模 型,成功分類未參與建模的轉速資料,且正確率高達 99.66%。
  • Item
    心跳感測器輔助影像深度學習應用於臉部痛苦指數之判別
    (2018) 陳梓瑄; Chen, Zi-Xuan
    本研究提出了一種估計人臉疼痛強度的方法。使用回歸卷積神經網路訓練模型,其中包含三層卷積層及三層池化層。此外,使用心跳感測器幫助臉部疼痛識別,目的是更準確地判斷人的疼痛程度。在兩個感測器的偵測及相互輔助下,可以極大程度的預防危險性的發生。例如使用在跑步、復健及醫療上,若能夠第一時間偵測到使用者的痛苦指數及心跳數異常,將能有效且迅速的做第一時間的處理。同時,本論文另一個貢獻為根據醫療及運動等相關文獻做出實際測試結果,將心跳感測與臉部疼痛做出結合與應用,並且能實際應用於生活當中。 本研究結果顯示,i5雙核計算機的MSE為0.11,Pearson相關係數接近1(r = 0.98),平均運算速度達到70 FPS。除了能夠高速運算臉部痛苦指數,也能迅速對硬體下達指令。