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。

本次科展主題為探究屏東與臺灣其他地區海灘樣本的差異。我們選擇了具代表性的屏東地區海灘作為主要採樣點，利用數位顯微鏡比對外觀特徵，電腦影像軟體分析色調，透過篩網分析海灘樣本顆粒大小比例，並檢測其酸鹼性、硬度和KH等性質。 結果顯示，屏東和小琉球海灘主要由珊瑚、貝殼和少量有孔蟲殼體等生物碎屑組成，呈白黃色調；而臺灣其他地區的海灘沙粒主要由岩石碎屑組成，呈灰黑色。單位體積海灘樣本的重量測量結果並無明顯差異，水溶液的酸鹼值大多呈弱鹼性，TDS數值顯示不同區域的海水組成和溶解物有所差異，但屬於珊瑚砂海灘樣本的KH值平均超過10。這些差異是臺灣地理位置、河流侵蝕搬運堆積和沿海海流等因素共同作用的結果。

本實驗主要在研究各項因子對氫氣火箭的影響，我們查了許多影片和資料，發現許多氫氣火箭實驗都沒有記錄各項因子的數據及比較，在歷屆科展的火箭實驗中，將氫氣作為燃料的作品也寥寥無幾，所以決定嘗試這個題目作為本實驗的研究主題。 我們的研究使用電解製造氫氣與氧氣，進行燃料、造型實驗，並用電腦計算出飛行高度，希望能找出最佳飛行高度因子。我們發現各種因子的飛升高度與質量、質心、燃料與造型有很大的關聯。 希望能藉由這些實驗讓人們更認識氫氣火箭，也能藉由氫氣火箭的飛行實驗讓大家更認識、更熟悉火箭之中的科學原理，讓大家對科學更有興趣。

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。

近年來由於電腦視覺的蓬勃發展，物件辨識模型被廣泛運用在生活中，例如自動駕駛、醫療影像、農作物檢測等等。對於要在戶外運作的模型，由於檢測物體的背景會隨著時間、地點、季節、光照強弱等因素不斷改變，通常需要大量且多元的資料才能避免模型過擬和，然而取得多元的資料需要花費大量的人力與時間在收集以及為這些新資料標籤。 本研究利用影像風格轉換模型作為資料增強的方法，將於晴天拍攝的街景圖轉成夜晚及雨天，使原本只有晴天的資料集有更多元的資料。結果證實使用風格轉換模型生成的影像訓練的物件辨識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。

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。

目的：在台灣，胰臟癌雖非癌症發生數最高，但85%為末期，五年存活率小於5%，有癌王之稱。如何早期偵測胰臟癌風險，一直是醫療上的重大議題。本研究運用時間矩陣搭配深度學習進行大量變數之胰臟癌風險偵測。 方法：健保資料庫收集國人疾病、用藥等結構化資料，可藉此反映每人健康狀態。將三年內診斷與藥物碼轉為時間矩陣，以卷積神經網路訓練，訓練組與測試組比例為9:1。 結果：共計案例組1095名及對照組10950名，訓練後測試組表現之AUROC(area under the receiver operating characteristiccurve)為0.937，六十歲以上及以下AUROC分別為0.846及0.897。 結論：結論：能將診斷、藥物、時間轉成矩陣，是以疾病軌跡預測胰臟癌風險，且能找到新特徵，未來搭配健康存摺，為低成本、快速、大量的胰臟癌數位快篩。

網路上常常會使用驗證碼(CAPTCHA)防止自動化程序取得網站資源，而一般而言，若驗證碼是可以輕易取得，十分容易被深度學習網路破解。然而，對抗式攻擊(adversarial attack)可以騙過許多深度學習網路。因此，本研究目的為建立能夠破解對抗式攻擊的深度學習網路。主要包含三個部分：建立Captcha breaker、使用對抗式攻擊影響breaker、防禦對抗式攻擊。Captcha breaker的部份使用模擬的目標驗證碼作為訓練資料，以解決訓練資料不足以及人工標籤的問題；而破解adversarial attack會使用adversarial training以及random noising的技術進行。

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。

本研究以廢棄的蚵殼和回收紙作為研究材料，先將鍛燒後的蚵粉溶於水後，噴灑於手機螢幕與電腦鍵盤，並利用ATP生物冷光儀檢測微生物的殘存量，研究發現10ppm與100ppm濃度的自製蚵粉水在手機與鍵盤皆可達98.14%與96.08%以上的殺菌效果。之後再將自製蚵粉水與市售蚵粉水、自製文蛤粉水、水，在門把上做殺菌效果的比較，結果顯示殺菌效果最佳的是100ppm的自製蚵粉水，可達93.23%以上的殺菌效果。接著利用回收紙製作環保鞋墊，並加入自製蚵粉，用以探討加入自製蚵粉後的鞋墊中是否具有抑菌的效果，結果顯示加入5公克自製蚵粉微生物最佳可達89.5%的殺菌效果。

本研究的腦波辨識基於特徵提取，可應用於身分認證，具有不能被仿冒的優點。我們用低成本高便利性的腦波儀，自行撰寫程式讀取原始腦波，建立一致性的實驗程序。首先用腦波專心度的高低來控制智能車，再用腦波來測謊，有隱藏說謊行為時會觸發高電位腦波，在兩項前期研究後發現可用腦波特徵進行身分認證。三位受測者於不同日期提取10份腦波，每份腦波紀錄5120筆數據。接著我們反覆嘗試組合數十種統計函數進行特徵提取，找到兩項最佳特徵，達成將大量凌亂腦波資料降低維度又具有辨識力。我們腦波辨識分類方法使用近鄰演算法，測試程序用盲測交叉驗證法，辨識正確率百分百。最後我們用Arduino板來展示腦波辨識應用於腦波身分認證，資料庫中只要儲存每位受測者的腦波特徵值，就能在數秒內正確辨識說出受測者身分，顯示每個人腦波是不同的，而且能用特徵將其分辨出來。