本研究以稠密式深度預測為基礎，進行環繞掃描３Ｄ還原建模。在這項研究中，我們擇手機作為唯一的外部數據提供設備。首先用手機同時錄影和記錄角度變化、位移數據後，我們同步各數據的時間點，並計算每一幀影像的位置，接著將拍攝的影像輸入深度預測模型轉換成深度圖並將其儲存為點雲，最後利用三維旋轉和平移矩陣將點雲轉回正確的位置以進行疊合。我們開發的３Ｄ還原建模系統能夠輸入影像、特定時間點的位置和角度變化來建立３Ｄ模型。此系統可以解決結構光掃描儀需要額外標記點的劣勢，且在機動性上較傳統的點對點雷射掃描儀更方便。我們希望可以在未來將這套系統集成為一個手機應用程式，方便使用者在手機上進行相關操作。

1.手機及筆電已成不可或缺生活用品。但，若其充電器如果充電時間太久，可能會因為本身過熱而造成充電完畢要取回時，造成手部的燙傷。因為有此生活經驗，想改善充電器等高溫設備的散熱。 2.本研究探討電腦CPU上如果加上致冷晶片，如何加速散熱，增加使用安全外也進而提高電腦效能。 3.以電腦主機為實驗的操作器材，探究研發該散熱系統，並做為以後其他需要散熱的結構基礎，作為加速散熱的要件。目前致冷晶片在兩面溫差超越20°C時，可以使致冷晶片產生電能，接上微型馬達後，得以驅動，並產生對流散熱。 4.目前有關致冷晶片的實驗中，多數是使用致冷晶片和帕爾帖效應的關係，以通入電能使晶片兩面產生溫差。而本研究將採賽貝克效應做基礎，來探討新式散熱解決方案，使CPU產生的熱轉換成可以驅動微型馬達的電能。

According to CNN Indonesia 2020, the demand for e-Commerce in Indonesia has nearly doubled during this pandemic. This surge in demand calls for a time-efficient method for warehouse order-picking. One approach to achieve that goal is by incorporating automation in their warehouse systems. Globally, the market of warehouse robotics is expected to reach 12.6 billion USD by 2027 (Data Bridge Market Research, 2020). In this research, the warehouse system studied would utilize AMR (Autonomous Mobile Robots) to lift and deliver movable shelf units to the packing station where workers are at. This research designed a heuristic algorithm called A.N.T.s (Algorithm for Navigating Traffic System) to conduct task assigning and pathfinding for AMR in the automated warehouse. The warehouse layout was drawn as a two-dimensional map in grids. When an order is placed, A.N.T.s would assign the task to a robot that would require the least amount of time to reach the target shelf. A.N.T.s then conducted pathfinding heuristically using Manhattan Distance. A.N.T.s would help the robot to navigate its way to the target shelf unit, lift the shelf and bring it to the designated packing station. A.N.T.s algorithm was tested in various warehouse layouts and with a varying number of AMRs. Comparison against the commonly used Djikstra’s algorithm was also conducted (Shaikh and Dhale, 2013). Results show that the proposed A.N.T.s algorithm could execute 100 orders in a 27x23 layout with five robots 9.96 times faster than Dijkstra with no collisions. The algorithm is also shown to be able to help assign tasks to robots and help them find short paths to navigate their ways to the shelf units and packing stations. A.N.T.s could navigate traffic to avoid deadlocks and collisions in the warehouse with the aid of lanes and directions.

本實驗之研究目的在找出繼光餅的最佳配方。以不同比例的麵粉、酵母粉和水溶液種類設計出三組實驗組、每組三種不同配方共7種(每組皆有一個原始配方)，找出麵粉和酵母粉及水溶液對繼光餅的影響。本研究使用電腦軟體imagej測量氣孔數量、砝碼加壓法測量其硬度及回彈度、體積置換法來測量體積的改變，以科學化數據觀察，量化紀錄資料比較繼光餅本體外型和品評口感，綜合比較結果，最後第一組實驗以高筋麵粉、第二組以五克酵母粉、第三組以鮮奶口味為本研究最喜愛的配方。最後無添加酵母粉及更改水溶液為高粱酒的繼光餅不受到大家的喜愛。

本研究旨在利用深度學習實作改變字體風格的模型，試圖讓生活中處處可見的文字變得活潑、生動，並省去許多設計字體所需的時間、精力。我們利用了風格矩陣、對抗式生成網絡(GAN)等概念設計了3種模型，並在實際運行後進行分析與比較。 VGG模型運用了卷積神經網絡的概念，擷取特徵以生成風格矩陣並將其進行字體風格轉換。Bicycle-GAN模型結合了Conditional GAN和VAE的優點，能夠生成多樣風格的字體。Zi2Zi模型則是在pix2pix的方法改進部分缺點，能讓生成的字體更逼真，且具有顯著的成效。 經過多次的嘗試和失敗經驗，我們發現VGG、Bicycle-GAN、Zi2Zi，3種模型在字體風格轉換上具有相當的潛力，在經過適當的後處理之後，能夠在耗費少量時間和樣本的情況下，生成實際套用在電腦中的個人化字體。

以將古文翻譯成白話文為初衷，以爬蟲擷取古文解譯網站「讀古詩詞網」中的大量古文及其白話翻譯作為訓練用的資料，並按照不同文體分開訓練。我們先嘗試用Bert模型做選擇題：給一句古文讓機器從四個選項中選出其翻譯。一開始隨機挑選其餘三個選項，正確率高達96%。因此我們挑戰更困難的設置，撰寫搜尋關鍵字的程式，將有與題目古文相同字的白話文放入選項。雖然準確率有些許降低，但仍高於只選重複字最多選項的結果，代表模型有發展出獨立的判定標準。選擇題成功後，我們用MT5 模型嘗試更困難的翻譯，並在訓練集中新增提供不同前後文的注釋資料幫助訓練。雖然還無法翻得非常準確，但仍在某些句子有不錯的表現。我們也發現了模型對某些特定類型字詞的翻譯有待加強，未來希望透過加強代名詞判斷訓練及持續新增注釋來增加整體翻譯能力。

現今的大型活動，如：校慶活動、新北耶誕城等，缺乏互動性與參與感，其中原因大多是觀眾時常埋沒於手機中的社交軟體當中所導致。而我們的研究將利用此特性，探討大眾對於活動的觀點，搭配網路爬蟲抓取使用者的貼文，觀眾只需在Instagram、Twitter等社交軟體中發布文章，系統就會即時推播至活動中的大螢幕上，並且結合圖像辨識快速審核貼文，設計出一套能改善互動性低落的解決方案。研究中我們探討不同的網路爬蟲演算法、圖像辨識技術，及問卷調查等來使作品更加精進，且搭配Line Bot、後臺管理，及常駐貼文等功能來為各類大型活動量身打造，也能夠運用於政令宣導或文宣廣告等用途上，大幅提升活動的互動性與精采程度。

本研究利用影像風格轉換模型作為資料增強的方法，將原始資料集中的影像轉換成不同風格，以增加訓練資料的多樣性。為了驗證使用此方法的有效性，本研究進行了兩個領域的實驗，分別是：(1)物件辨識模型在不同天氣時間的街景圖上的表現，(2)胃腸癌中的腫瘤檢測模型在不同染色結果的組織圖上的表現。結果證實使用風格轉換模型生成的影像訓練的模型的準確率在某些情況下有顯著的提升。此方法的優點在於能夠快速產生多樣風格的資料，由於是對影像的風格做轉換，影像的內容沒有改變，因此能夠沿用原有的標籤，同時節省了蒐集及為新影像標籤的人力及時間。

在生成性模型(Generative Models)中的一個主要應用就是“影像修復” (Image Inpainting) 也稱為“影像完成”(Image completion)。 影像修復經常被應用於許多影像處理，包含在生活照片中移除背景不必要的物件再回填移除後缺損的影像。 但是，或許之前的研究較多著墨於技術而非美學，至目前為止，很少有影像修復的研究著重於藝術作品的重建應用。 所以，本研究計畫提出三個新的模型來針對藝術作品做更優化的影像修復，以達到較一般處理日常照片所使用的如Places2 和ImageNet等影像修復技術在視覺上更為自然逼真的處理： 第一種模型是PConv (Partial Convolutions)，它利用部分旋積(partial convolution) 來避免一般由於遮蔽區域中畫素起始值設定而常見的影像模糊問題。 第二種模型是GLCIC (Globally and Locally Consistent Image Completion)，是一種以GAN (Generative Adversarial Network) 為基礎，進一步在全域鑑別器 (global discriminator) 之上，再建構一個區域性鑑別器(local discriminator)，以確保在整體畫面與細部畫面的合理與一致性的方法。 最後一個模型是一個在本研究中所提出的全新、整合性的模型–PConv-GAN。 在這個創新的模型中，我們將GLCIC模型中常用於旋積過程中”補零”(zero padding) 的手法，以PConv模型中部分旋積的方式來取代。最後我們會利用一系列的印象派畫作為例，以L1 loss 和PSNR (peak signal-to-noise ratio) 兩種方法來評估這三個模型。

現在的超商取貨機制存在著很大的時間成本，一次取貨要是花費數分鐘在找貨，那長久下來會造成大量時間的消耗，因此為了提高領或效率，我們設計了一台裝置來減少取貨的過程之中，因人為造成的時間耗損，並降低領錯貨物的可能性。 而我們也可以依據存放貨物種類及應用方式而改造，製作出適合不同物品的存取裝置，像是用於書籍的存放，讓使用者可以自行借閱或歸還，藉由改造裝置，普及於各種類型貨物的存放，為我們的生活增加便利性。 除了擴大使用方式，增添提領貨物的提示，為貨物增設設定，關於提升整體實用性的部分也有待我們進行更進一步的探討。

本研究企圖建構一個運用邊緣運算技術(Edge Computing)之人工智能機器人代理人(AI Agent)，並將之運用於實體人型格鬥用機器人的研究開發中。 在此以人型格鬥機器人做為場景需求使用設定目標，運用彈性化模組，加上分散式、嵌入式即時網路技術來降低系統設計的複雜度，整合通訊協議與深度學習YOLO影像演算法，進一步運用ZMP運動控制理論，以及多維感測器融合技術(sensor fusion)，融合陀螺儀(GYRO)、加速儀(accelerometer)、CMOS Sensors、FSR(Force sensing resistor)作為人形機器人智慧平衡基礎，再藉由圖形識別做為預測辨識以及智慧姿態ZMP控制技術作為攻防策略判斷。 整體系統藉由AI 晶片與嵌入式系統網路作為整合。透過網路即時傳輸環境資訊與指令，使機器人可以知道高層的指令目的資訊。值得一提的是本系統網路設計建構依照仿生哺乳類動物的分層式架構。神經系統將反射以及即時控制交由智慧代理人軟體作為即時演算與控制來達到高性能與彈性發展的需要，未來可用在高等擴充性的人形機器人使用，包括格鬥機器人，人形機器人工地建材搬運、具自平衡醫療外骨骼機器人......等，使人與機器人能並肩工作，提升人與機器人整合互動。

小提琴主要是由琴弓帶動琴弦使提琴透過音柱與音箱振動而發出聲音，而琴身、琴橋、琴弦、拉弦板、肩墊、松香……等，這些因素都可能影響提琴的「音色」，但是多數人，是很難用耳朵聽出「音色的差異」，因為聲音既看不到也摸不著，所以希望透過傅立葉電腦軟體Audacity，來分析聲音的『頻譜圖』，用科學化的證據，讓非音樂專業人士，也能「看」到音色的差異，並利用頻譜圖與聲響學理論說明音色的奧妙，讓喜歡音樂的我們，找到適合的小提琴，也讓初學者或演奏者更容易找到合適的琴。 在關於小提琴音色的實驗裡，影響小提琴音色表現最主要的因素是松香和琴弦。我希望將松香與琴弦所產生的音色用科學方法分析，建立資料庫，讓演奏者很快找到適合的松香或琴弦。