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.深度學習

Search Results

Now showing 1 - 10 of 69
  • No Thumbnail Available
    Item
    基於Faster R-CNN演算法的行人偵測應用研究與分析
    (2025) 何逸凡; He, Yi-Fan
    本論文的研究動機在於物件偵測與追蹤的運作探討與原理分析，研究目的主要在於行人的影像偵測與追蹤上，了解現有的物件分類的演算法及數據庫，同時改良出新演算法以達到的較高的物件匹配度。本文中所改良的物件辨識演算法主要以Faster R-CNN為主，對行人影像目標進行物件追蹤，過程中也會與現有的演算法做分析比較取得研究的可行性與可靠度。
  • No Thumbnail Available
    Item
    基於深度學習之玉女番茄採收順序研究
    (2025) 劉紹蘅; Liu, Shao-Heng
  • No Thumbnail Available
    Item
    結合影像與四輪控制之智能車體與人體追蹤系統
    (2025) 呂彥澂; Lu, Yen-Cheng
    本研究設計一套可以辨識並追蹤人體的智慧型四輪驅動車。結合了四輪驅動車與影像辨識模型，車體由四顆馬達驅動四個車輪，具備靈活的運動控制能力，達成穩定追隨目標的控制。在影像辨識上，車體搭配深度攝影機擷取前方人體影像，透過關節偵測工具MediaPipe Pose擷取人體背部關節的移動資訊，並使用GRU時間序列模型學習並記憶主人的關節動作模式。當系統辨識出該模式與記憶資料相符時，會將此人標記為主人（Master），並啟動自動追隨模式。在運動控制方面，利用運動方程式得出的轉速控制馬達，並透過增量型PID控制器調整轉速，讓車子轉彎與前進更穩定。此研究整合了影像辨識、深度學習與四輪控制技術，有效提升四輪驅動車對指定目標的辨識準確率與追蹤穩定性，未來可應用於智慧陪伴、物流配送及購物跟隨等場域。
  • No Thumbnail Available
    Item
    基於混合擴張卷積及卷積注意力模組的即時車道線偵測深度學習網路
    (2025) 林琮祐; Lin, Tsong-You
    準確的車道偵測對於自動駕駛系統的安全運作至關重要。雖然 LaneATT（即時注意力引導車道偵測）等模型已經表現出強大的性能，但仍有改進其多尺度特徵擷取和優先處理關鍵車道資訊的能力。論文提出了透過整合混合擴張卷積（Hybrid Dilated Convolution, HDC）和卷積塊注意模組（Convolutional Block Attention Module, CBAM）對 LaneATT 模型進行改進。 HDC 模組以最小的運算成本實現多尺度特徵提取，而 CBAM 透過強調重要的空間和通道資訊來增強特徵圖。在 TuSimple 和 CULane 資料集上進行的大量實驗凸顯了我們方法的有效性，與原始 LaneATT 模型相比取得了卓越的性能。此外，消融實驗證實了 HDC 和 CBAM 能夠有效地擷取多尺度情境資訊並專注於相關特徵。
  • No Thumbnail Available
    Item
    應用於行動裝置之基於深度學習的手繪運算放大器電路辨識與教學動畫生成系統開發
    (2025) 李柏翰; Li, Po-Han
    隨著深度學習技術的發展，手繪文本和電路圖的識別取得了顯著進步。然而，針對手繪運算放大器 OPA 電路的研究仍較為有限。本研究提出了一種行動裝置專用的手繪運算放大器電路識別與動畫生成系統，旨在解決現有影像搜尋工具（如 Google Images）無法有效辨識手繪電路的問題。本系統採用最新的 YOLOv9t 目標檢測模型進行電子元件識別，相較於 YOLOv8n，在模型參數量（Parameters, Params）與每秒十億次浮點運算次數（Giga Floating Point Operations Per Second, GFLOPS）方面均有所提升。系統透過分析識別出的電子元件及其相對位置來確定電路類型，並允許使用者輸入元件參數，以 Manim 動畫引擎生成對應的輸出波形動畫，幫助學生直觀理解運算放大器電路特性。本研究構建了一個包含 1,199 張手繪運算放大器電路圖的資料集，並比較了 YOLOv8n 和 YOLOv9t 兩種物件偵測模型的辨識效能。實驗結果顯示， YOLOv9t 與 YOLOv8n 在 Precision 指標上均達到 99%，整體辨識校效能相當。然而 YOLOv9t 的參數量為 2.8M，較 YOLOv8n 的 3.0M 減少約 7%，在模型輕量化方面展現優勢；此外 YOLOv9t 的每秒十億次浮點運算次數為 11.7，遠高於 YOLOv8n 的 8.1，效能提升約 44.4%。顯示 YOLOv9t 更具運算效率，適合應用於本系統所需的即時辨識場景。除此之外，系統整合 LINE Bot 作為互動介面，使學生可直接透過行動裝置拍攝手繪電路圖，並即時獲得識別結果與動畫回饋。整體實驗結果顯示，本系統在電子工程教育領域具有潛在應用價值，未來將進一步透過使用者調查來優化互動設計與學習成效。
  • No Thumbnail Available
    Item
  • No Thumbnail Available
    Item
    基於超聲波的手部動作辨識模型研究
    (2025) 張仲軒; Chang, Michael-Austin
    隨著人工智慧與深度學習技術的快速發展，人體動作辨識在醫療照護、監控系統、人機互動等領域展現出極高的應用潛力。然而，傳統的影像辨識技術多仰賴可見光或紅外線攝影機，不僅容易受到環境光源變化影響，可能還有潛在的隱私疑慮。為解決上述問題，本研究提出一種結合超聲波訊號與深度學習之手部動作辨識模型，利用聲波反射特性來辨識手部動作，從而克服光線限制並提升隱私保護性。本研究使用USB介面的超聲波收音設備，錄製人體動作引發的聲波變化，並透過短時距傅立葉轉換（STFT）將訊號轉換為頻譜圖，以提取含有時頻解析度的特徵，接著使用ResNet-50卷積神經網路（CNN）進行手部動作分類。為驗證本方法之效能，本研究建立了一個包含五種手部動作及一類靜態背景的超聲波資料庫，並透過多位受試者進行測試以評估模型效能。實驗結果顯示，在特定實驗環境下，模型的辨識準確率可達95%；即使在不同受試者的推論測試中，仍能維持92%的表現。
  • No Thumbnail Available
    Item
    結合頭部姿態估計與補償的視線追蹤
    (2025) 陳璽文; Chen, Xi-Wen
    本文提出了一種基於可見光影像的視線追蹤系統，採用單一高速相機，取代傳統依賴紅外光源或專用傳感器的方案，從而顯著提升了使用者體驗。然而，這種設置在補償頭部移動方面面臨更大的挑戰。為解決此問題，我們設計了一種新型視線追蹤系統，結合了精確的頭部姿態估計方法。該方法通過識別臉部特徵點並解決 2D 到 3D 的對應問題，獲取特徵點的 3D 坐標，進而估算頭部運動。該系統能夠實時更新眼球模型並準確計算虹膜區域的初始位置。實驗結果表明，當使用者進行輕微頭部移動或旋轉時，該系統能有效提高視線追蹤的精度與準確性。
  • No Thumbnail Available
    Item
    深度學習基於訓練數據之技術發展趨勢 : 以專利分析方法探討
    (2024) 雷政達; LEI, Zheng-Da
    隨著人工智慧的快速發展，深度學習之神經網絡技術以已成為現今全球技術發展的重點之一，並將其技術運用在各產業領域中。本研究旨在探討深度學習中不同神經網路的技術發展趨勢與應用領域，並透過專利檢索與分析方法來評估其發展趨勢和影響力。通過TIPO全球專利檢索系統資料庫中大量專利數據的收集和分析，探討神經網路技術的歷年專利件數、領先國家別、領先公司別、技術發展現況等，透過專利檢索與技術生命週期分析方法，可以深入了解深度學習技術的應用範圍和為未來發展動向，為未來的研究和產業應用提供價值。總而來說，本研究旨通過專利分析方法深入探討深度學習基於訓練數據之神經網路與其八項神經網絡技術包含循環神經網絡 (Recurrent neural network, RNN) 、卷積神經網絡 (Convolutional Neural Network, CNN) 、生成對抗網絡 (Generative Adversarial Network, GAN) 、時序視覺網絡 (Temporal Segment Networks, TSN) 、自動編碼器 (Autoencoder, AE) 、深度置信網絡 (Deep Belief Network, DBN) 、深度轉移網絡 (Deep Transformation Networks, DTN) 、深度資訊最大化網絡 (Deep InfoMax, DIM)，為相關領域的研與應用提供一定程度的參考依據。
  • No Thumbnail Available
    Item
    免標記多模態全像斷層造影技術與應用之研究
    (2024) 黃崇軒; Huang, Chung-Hsuan