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

學院網址：http://www.cot.ntnu.edu.tw/

Browse

Subject: search.filters.subject.SVM

Search Results

Now showing 1 - 6 of 6
  • No Thumbnail Available
    Item
    數據整合與數學運算：實現不同精度數據的無縫融合
    (2023) 陳儒楷; Chen, Ju-Kai
    本論文針對研究連續性但不同精度的數據做無縫融合，其主要是透過數據整合和數學運算技術實現了不同精度數據之間的整合，並與現有常見的方法比較，例如內插法、Cubic等，對於其運算時間、運算效果、套用模型作相對比較，本篇以主成分分析(Principal components analysis，PCA)配合支援向量機(Support Vector Machine，SVM)為例子，設計在不同情境下的模型運算與套用，是如何從而提高數據整合和分析的效率及精確度。在本研究中，我們提出的方法能夠有效地提高數據整合的精確度與減少運算時間，並且能夠適用於各種不同的數據精度。透過實驗我們發現該方法能夠有效的提高數據整合的精確度與減少運算時間，相較於其他常見方法，我們所提出的方法在各個方面都取得了更好的效果，並且能夠適用於各種不同的數據精度，本論文可以應用於各種領域，例如機械學習、大數據分析、主成分分析等，提高數據處理的效率和精確度。
  • No Thumbnail Available
    Item
    以小波轉換鑑別人類情緒腦電波
    (2011) 洪偉哲
    人類情緒的正確鑑別存在著許多的困難，根據每個人所經歷的事物與心情狀態，影響著即使面對相同的事件，所呈現的情緒強度也有所不同。而現今對於人類腦波的研究逐漸盛行，藉由大腦人機介面(Brain computer interface)收集腦電波(Electroencephalogram)訊號，經由訊號分析、特徵擷取以及分類器，來鑑別腦電波訊號的情緒類別。本研究的受測者為六位男性，四位女性。年齡介於20歲至28歲。實驗流程為撥放六種情緒的臉部圖片，分別為高興、驚訝、生氣、厭惡、難過和恐懼，每種情緒有20張圖片，共有120張圖片。使用NeuroScan大腦人機介面，藉由非侵入式的腦電波訊號量測，共有30個通道。紀錄完成後，進行腦電波訊號前處理降低腦電波訊號的雜訊，使得腦電波訊號更接近真實的訊號，接著繪製出大腦空間能量頻譜圖，用以了解腦電波訊號的頻帶能量分布差異。將腦電波訊號進行小波轉換(Wavelet transform)分解訊號，選取能量分布差異較大的θ波為分類波段，接著計算各種的特徵，共有八類特徵，分別為最大值(Max)、最小值(Min)、全距(Range)、標準差(Standard deviation)、絕對中位差(Median absolute deviation)、絕對平均差(Average absolute deviation)、能量(Energy)及特徵向量(Eigenvectors)，將各種特徵投入支持向量機(Support vector machine)進行分類，訓練的方式將隨機抽取出60%的腦電波訊號區段為訓練資料，40%為測試資料，以隨機投入支持向量機作各種情緒的鑑別，得到情緒鑑別從最高到最低的正確辨識率分別為87.50%和62.50%，平均值為76.25%。 研究中發現當使用無效的特徵或是相似的特徵，無法增加情緒的鑑別率，但是若增加有效的特徵，鑑別率會隨之提高，不過也會增加複雜度，經由比較其中較為有效的特徵為全距、標準差、絕對中位差、絕對平均差、能量及特徵向量，可較為明顯增加鑑別的效果。
  • No Thumbnail Available
    Item
    以適應特徵選擇與支持向量機實現心電圖辨識系統
    (2005) 尤俊國; Chun-Kuo Yu
    心電圖提供了診斷心臟病病和心血管病症的功能，為了能夠及時的監控病人的生理狀態，有時候必須持續長時間且連續的記錄病患所產生的心電圖資料，採用更多的心電圖資訊來判斷波形的物理變化，藉此可以較正確的評估病患目前生理情況，但是通常所得到的心電圖資料必須由專業的醫護人員來解析判讀。 本研究所提出了一個新的心電圖分析演算法，使用小波轉換分析頻帶來擷取心電圖特徵值，包含了改善特徵選擇和分類系統的設計，所擷取出的特徵向量作為心電圖辨識系統中最重要的特徵。而在心電圖辨識系統中較特別的特徵為QRS複合波組，這是含有極高頻的成份且能量較大的峰值波形。在辨識系統中採用支持向量機作為辨別不同種類心臟疾病的分類器。
  • No Thumbnail Available
    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。
  • No Thumbnail Available
    Item
    使用監督式K平均分群法與支持向量機之階層式車牌辨識系統
    (2017) 劉暐辰; Liu, Wei-Chen
    近年來運用車牌辨識技術於路口監視器吸引許多注意，它是實現智慧城市重要的一環，用來偵測肇事或遺失的車輛。過去車牌辨識已經成熟的運用在停車場的管理系統，達到停車免票證，停車位置記錄的功能。不同於停車場固定拍攝角度與光線的環境，運用於路口監視器的車牌辨識會遭遇因為拍攝角度、多車道偵測、車輛行駛速度與環境光影等因素而造成字元辨識困難。除了上述環境條件以外，字元辨識常見挑戰還包含：車牌模糊、髒汙、相異字體、相近字元等變因。本論文提出一個以SVM分類器為核心之車牌辨識系統，系統分為三個部分，包含車牌偵測、字元分割，與字元辨識。 車牌偵測的方式，使用Support Vector Machine (SVM)分類器。SVM分類器的目的為分類車牌及非車牌區域，而本研究使用以Histogram of oriented gradient (HOG)為訓練特徵的SVM分類器。為節省計算時間，過程使用圖形處理器(GPU)加速SVM計算。實驗結果顯示，我們的系統在三車道內擁有97.69%的車牌偵測成功率。抓取車牌影像後，將車牌上的字元分離，此步驟透過水平投影去除車牌上下方非字元排列之其他區域，再以垂直投影方法，分離車牌上字元。 最後字元辨識部分，本論文提出一個結合supervised K-means與Support Vector Machine的階層架構，先透過supervised K-means，將辨識字元分成子群，對於子群的字元再透過Support Vector Machine進一步分類與辨識，可以降低SVM的複雜度並提升SVM的辨識率。實驗結果顯示我們所提出的階層架構，可達98.89%之字元辨識準確率，相較於純粹使用SVM的車牌辨識技術，我們得到3.6%的辨識率改善。
  • No Thumbnail Available
    Item
    自然光源照明眼動儀系統設計
    (2015) 吳昇儒; Wu, Sheng-Ju
    眼動儀系統是藉由量測受測者眼睛的凝視點位置以實現追蹤眼球移動的技術，目前已普遍應用於教育、商業、安全以及醫療等方面。目前眼動儀系統以紅外線照明瞳孔追蹤為大宗。由於陽光光線包含了紅外線波段，在白天戶外操作時會因為影像過曝造成眼球追蹤上之困難。本篇論文提出自然光源照明眼動儀系統，僅藉由消費型網路攝影機即可進行眼動追蹤。自然光源照明眼動儀亦因外界環境光源的多變，影像對比度不如紅外線影像高，有許多挑戰需要克服。 本論文提出的系統架構共有三大部分，凝視方向辨識訓練、九點校正處理以及即時眼動追蹤。藉由支持向量機(SVM)辨識人眼凝視方向，以及適用於虹膜追蹤的特徵基底凝視點估測技術找出凝視點座標。此系統已經能夠達到13fps的即時處理應用，凝視點的水平方向誤差角度的總體平均值為0.248度，垂直方向誤差角度的總體平均值為0.306度。