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
9 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 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 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3D人臉辨識之擴增實境技術改善臉盲症社交輔助系統(2021) 簡文浩; Jian, Wen-Hau本論文目標為開發一套 AR(Augmented Reality，擴增實境)眼鏡輔助系 統，協助臉盲症患者在社交上、對於生活中他人的辨識。本研究主要貢獻為 提出以三維人臉模型作為人臉辨識之資料擴增基礎，滿足對於臉盲症患者實 際社交情境之實用性，並且將各軟體與硬體平台之優勢進行系統整合與設 計，實現可讓患者立即投入使用之社交輔助工具。具體架構包含以下內容: 第一，以結構光技術(Structured Light)結合立體視覺攝影機，經由 Structured Light 與2D RGB 輸入，2D 資料通過深度神經網路(Deep Neural Network)進行 人臉的提取，並確認三維空間中人臉之座標，運用深度學習將3D 點雲資訊 和2D 影像進行實時三維人臉密集重建，並取得人臉正面、側面 等7個角度 之人臉資訊，提高人臉對於側臉與大動態辨識的準確度。第二，藉由第一部 分產生之人臉資訊，輸入卷積神經網路進行運算，卷積神經網路以輸出128 維之特徵向量取代傳統高維分類器作為人臉特徵依據，將計算之特徵向量與 系統內 SQL(Structured Query Language)資料庫，進行歐式距離計算並比對， 取得最小歐式距離並對應該人臉的姓名資料。第三，將人臉標籤資訊、空間 中之人臉座標點，藉由相機模型投影，實現 AR 眼鏡中顯示即時人臉辨識標 籤及人臉 Bounding Box。本論文希望臉盲症患者在戴上 AR眼鏡後，AR 眼 鏡能夠即時從環境中掃描人臉，並從既有資料庫之中，辨別出對應之身分， 將該人的位置與人名標註至 AR 眼鏡中，幫助臉盲症患者能夠辨別出生活中 每個人之身分，不因認不出臉而產生困惑，突破社交上的阻礙，降低而因社 交上之阻礙，導致產生自閉症等心理疾病之可能性。Item 深度學習融入有價證券之微結構真偽辨識-以振興三倍券為例(2021) 邱曉昱; Chiu, Hsiao-Yu身處在充滿人工智慧結晶的時代，我們視科技為理所當然，並享受著其帶來的便利與生活品質，然而在這項技術逐漸嶄露頭角之際，各類威脅也倚靠著科技滋長茁壯。政府2020年為復甦經濟所發放之「振興三倍券」於使用期限內曾傳出偽造事件，為了能精準判別整張有價證券真偽，本研究主旨為使用深度學習CNN (Convolutional Neural Network )，有效且快速辨別真偽振興三倍券微結構取樣影像組合，進而依此推測判別出整張紙券真偽，同時以減少訓練樣本數達到高辨識率為目標，取得最佳學習尺寸組合，最後歸類分析錯誤辨識微結構印刷類型並於原券定位，為此次研究目的。首先將面額200元及500元之紙本振興三倍券掃描定義為掃描真券；與之複印後再次掃描為模擬偽券，後以尺寸32×32、64×64、96×96及128×128 pixels進行隨機局部不完全重複取樣，建立訓練及測試影像資料集，分組後個別輸入CNN模型訓練測試，得出辨識正確率與錯誤辨識影像於原券上之分佈。實驗結果顯示，依照各組辨識正確率之比例及趨勢可成功推測判別整張振興三倍券真偽，且印證研究使用之CNN模型不需學習全尺寸之局部影像組合，僅訓練最大及最小尺寸之影像資料集，即可達到預期之顯著辨識成效；至於透過錯誤辨識分佈的統整，發現無論掃描真券或模擬偽券的局部取樣，所辨識的錯誤特徵皆有較高的比例集中於鈔券的凹版印刷處。本研究提出一個不需藉由專業人士判斷有價證券影像，基於CNN模型即可有效辨別鈔券局部微結構真偽的方法，並以此實驗結果為基礎，未來可結合手機拍攝取樣，推測於拍攝指定距離範圍內之鈔券影像可精確判讀，達到更加便民與實用之效果。綜合上述，此研究不論是在產業界抑或是學術界皆具有一定程度之應用價值。Item Item 具深度學習之數位全像顯微系統於玻璃基板瑕疵檢測(2018) 蔡昕澔; Cai, Sin-Hao本論文主要探討運用深度學習在玻璃基板瑕疵檢測的技術及利用數位全像顯微系統得到玻璃基板的複數影像進行瑕疵檢測，透過全像術取得玻璃基板的光學繞射資訊，其中複數影像包含振幅資訊及相位資訊，用深度學習進行學習背景、灰塵、刮痕、污漬、棉絮及水痕的振幅資訊及相位資訊之特性，更進一步探討各種瑕疵之間的差異、特性及辨識結果。在全像術和深度學習的運用，本研究會探討調整參數及改進流程達到檢測系統的辨識正確率最大化，以及影像校正方面使得可以得到品質穩定的複數影像，以利未來可以推廣到透過數位全像顯微系統擷取其他材料的光場資訊進行檢測，增加未來應用層面的潛力。Item MiniNet：密集擠壓之深度可分離卷積於圖像分類(2020) 高汎宜; Kao, Fan-Yi近年來，人工智慧的發展蒸蒸日上，自卷積神經網路被提出之後，深度學習開始蓬勃發展，研究學者們紛紛提出更為優化與創新的技術，相較於其它科學領域，深度學習領域的研究採完全開放的方式進行，Google團隊提出TensorFlow開放原始碼函式庫，並在TensorFlow核心庫中支援高階深度學習框架的Keras，幫助開發者在Keras中建立及訓練深度學習模型。未來人工智慧的應用將無所不在，為普及自動駕駛、無人商店、智慧城市等應用，如何在有限的硬體設備中，提供一個運算快速且低計算成本的神經網路模型已成為一個很重要的研究議題。 本論文基於MobileNet架構，加入密集連接技術與擠壓式的SENet模型，提出一個密集擠壓之深度可分離卷積架構，並將此模型命名為MiniNet。本論文在實驗環境中，使用Keras進行MiniNet的建立與訓練，在五種不同的資料集中，與三個現有的卷積神經網路架構進行比較，實驗結果顯示，本論文提出之MiniNet架構能夠明顯地使用更少的計算參數量並有效地縮短訓練時間，尤其在資料集之種類與資料量較少時，本論文提出之MiniNet架構更能優於現有架構達到最高的準確率。Item 運用資料探勘於自動化色彩語意分析之研究(2019) 陳佳安; Chen, Chia-An電腦科技與資料科學的發展，促使色彩分析方式產生轉變，運用機器學習理論解讀色彩語意。透過跨領域技術整合，將色彩語意分析與實務應用引入更有效率、更低成本的分析方法，為本研究最具價值之處。本研究提出一個全新的色彩語意分析方法，配合網路大數據、卷積神經網路以及改良式中位切割演算法等資料探勘方式，分析詞彙的色彩意象，得出詞彙具體的對應RGB值；再依據調和配色理論，自動產出配色組合。最後透過問卷調查，評估色彩語意分析方法實際應用的可行性。 研究結果顯示，本研究提出之色彩語意分析方法，符合過去文獻與問卷調查之結果，並能找到詞彙對應之色彩趨勢，可省卻心理實驗的時間與人力成本，並且更有彈性。透過將調和配色理論數值化定義，產出之兩組配色應用設計（相似配色、補色配色），不僅能在短時間內產出大量色彩組合，且相較於人們依照直覺的配色，此方法更為客觀。將兩組配色應用設計之色彩組合與配色網站Adobe CC使用者配色比較詞彙之間的符合程度，其中一組符合程度稍差，另一組符合程度則與使用者提出的色彩組合相近，顯示此配色方法雖尚不及人為的配色操作，但仍具有極大發展與進步空間。