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 - 6 of 6
  • Item
    小型光學震動分選站以高流量魚鬆中的細微魚刺為例
    (2023) 陳晨光; Chen, Chen-Kuang
    魚鬆是我們日常中常見的食物用途廣泛,它經常被用在米飯、粥、包子、糕點和三明治等菜餚的配料或餡料上。它是由魚肉經過切塊、醃漬、烹飪、切絲、乾燥等等所製成。在這些處理之中還得處理一個問題:就是從一開始就與魚肉形影不離的魚刺,雖然不小心吃到魚刺是很常見的事情,也通常不會造成重大傷害。然而,根據魚刺的大小和卡住的位置,它可能會引起腸胃或是消化道的不適或輕傷,如果嚴重的話甚至有卡在喉嚨並導致窒息的風險,這些都會十分影響人購買以及食用魚鬆的意願。本篇論文從排除魚鬆中的魚刺這個前提結合了工業4.0(關於工業4.0在研究背景的部份會提到)的自動化概念:以設計出能夠在產線中使用的治具為目標從使產線作業人員能夠方便入料、接著透過震篩的概念、使用UV光來激發出魚鬆中魚刺的螢光再讓感測器與高速相機進行影像辨識、接著進行自動排除、到最後將沒有魚刺的魚鬆出料。期望整套系統能夠透過機構設計、軟體、硬體的相互配合、光學鏡頭辨識達到80%以上的魚刺辨識率與排除率,並真的能夠應用於產線上,使魚鬆的生產更為順利。
  • Item
    高性能之輕量級卷積神經網路之設計
    (2021) 周世耀; Jou, Shyh-Yaw
    因深度學習強大的分析能力,其時常被用做影像辨識與物件偵測的工具。時至今日,已有許多基於深度學習方法的著名模型被提出,例如:SENet、EfficientNet、Densenet、MobileNet、ResNet、ShuffleNet、GhostNet、Yolo等。深度學習模型的性能主要可從4個層面進行探討,分別是參數量,資料分析能力、處理資料的速度以及模型的泛用能力。一般而言,模型能在上述4個層面都表現優秀是很困難的。在本論文中,我們設計出一各性能皆優秀的深度學習模型―ExquisiteNetV2。我們選用了15個具公信力的影像辨識資料集以及1個物件偵測資料集進行實驗,並以上述提到的著名模型做為比較對象。我們分別使用兩種不同的權重更新法做實驗,根據實驗結果,無論使用何種權重更新法,在超過一半以上的資料集中,ExquisiteNetV2的分類正確率都是第一名。ExquisiteNetV2的參數量遠少於其他模型,但資料分析能力以及運算速度卻優於其他模型,因此,ExquisiteNetV2是一種高性能之輕量級卷積神經網路,可通用於影像分類與物件偵測之應用。
  • Item
    用於精細動作辨識的雙頭預測網路
    (2021) 陳維均; Chen, Wei-Jyun
    近年深度學習發展迅速,不僅2D影像辨識,現在3D動作辨識也受到關注。動作辨識的研究從3D CNN開始,便在許多數據集得到不錯的效果。但大部分的動作辨識網路,在細部動作的辨識上都有改進的空間,原因是細部動作整體來說和一般的動作差異不大,可能只是在一小段時間內發生的差異,因此十分不好判斷。這個情況在籃球比賽十分常見,籃球比賽中常常有各種肢體碰撞,但是這些肢體碰撞並不一定會造成犯規,要辨識這些犯規就勢必得加強細部動作的偵測。由於現在並沒有相關的資料集讓我們做相關的研究,因此我們自己蒐集資料,建立一個籃球犯規的資料集。在本論文中,我們提出了一種提昇細部動作辨識的網路套用在現有的網路上,包括3D-Resnet50[1]、(2+1)D-Resnet50[2]、I3D-50[3]。實驗結果顯示加入這個網路後,在各種模型的準確度上都獲得3~7%的提升。
  • Item
    大學生使用經驗學習環於影像辨識平台上學習人工智慧應用程式之學習成效
    (2021) 林羿婷; Lin, Yi-Ting
    本研究發展一個人工智慧影像辨識課程,適合無運算思維及人工智慧基礎之大學生,培養學生運算思維能力與認識人工智慧,使用準實驗研究方法,對於大學生使用經驗學習環進行人工智慧影像辨識課程之學習成效進行研究。研究結果顯示採用不同的教學方式皆可以增加學生的運算思維與人工智慧概念,經驗學習環較適合初始具有較低運算思維能力與較低自我效能的學生,因為經驗學習環具有反思、抽象化及主動驗證歷程,能夠讓學生產生討論、合作與直接操作的行為,這些行為的出現能夠提升初始運算思維能力與自我效能較低的學生運算思維能力與自我效能程度。而主題式導向學習較適合初始具有一定運算思維能力及高自我效能的學生,因為其過去的學習經驗已經習慣講述式的示範教學方法,延續習慣的且表現不錯的學習方法較能夠維持良好的運算思維感知程度。
  • Item
    教育桌遊結合人工智慧輔助系統對人力資源甄選訓練之影響
    (2021) 黃友嵐; Huang, Yu-Lan
    本研究旨在探討教育桌遊結合人工智慧輔助系統,對有、無人資經驗之受試者,在人資甄選訓練之學習成就與人工智慧焦慮之影響。研究將招募甄選過程遊戲化以桌遊的形式呈現,並搭配人工智慧輔助系統輔助受試者在遊戲過程中,可以參考系統即時建議來完成選才任務,進而建構受試者對甄選工作的認知。本研究採準實驗研究設計,以經驗與組別這二個因子做為分組依據,共分為四組受試,合共39名受試者參加本次實證。研究結果發現,在學習成就部分,對沒有人資經驗的學習者,確實有提供人工智慧輔助系統之必要性,而對於有人資經驗的學習者而言,就沒有那麼必要。在人工智慧焦慮學習面向的部分,給予有人資實務經驗的受試者人工智慧輔助系統反而會引發學習焦慮,而沒有人資實務經驗的受試者在接受人工智慧輔助系統進行桌上遊戲任務時反而並不會引發學習焦慮。最後,針對研究結果,提供組織在導入人工智慧輔助系統時之注意事項與建議。
  • Item
    電腦全像透鏡於聯合轉換相關器之應用研究
    (2006) 胡世澤; Hu, Ssu Tse
    本論文利用電腦全像術(Computer Generated Hologram)設計一個可以執行傅立葉轉換的透鏡,進而將此透鏡應用在聯合轉換相關器(Joint Transform Correlator)中。內容涵括電腦全像術之理論設計、模擬分析、微影蝕刻製程技術探討,並針對應用電腦全像透鏡之聯合轉換相關器系統效能及辨識能力作一探討。