AI (Artificial Intelligence) technology has developed very rapidly in recent years, to the point where it can make fake videos or photos called "deepfake''. According to Sumsub Identity Fraud Report 2023 just in the past year, in the APAC region the number of deepfakes has grown 1530%, in the philippines an astounding 4500% and in 馬來西亞 a 1000% increase, these numbers will continue to rise without a proper defense against them, With this rapidly developing technology, there are several threats from misuse deepfake, namely making fraud via video calls, fake videos to blame innocent people, and so on. Therefore, in this research project, an algorithm architecture will be created, namely a system and method used to detect "deepfake" images. The architecture of this algorithm involves convolution functions, neural networks, convolutional neural networks, data normalization functions, namely ReLu and SoftMax, and pooling. This architecture will then be trained over and over with 140,000 scrambled images, which then will make the architecture ready to be used. By researching and combining this algorithm architecture, a system is produced without a cost and with a final result of up to 90% accuracy and detection of 32 images faster than a human can blink.

本研究開發智慧寵物健康監控系統，融合熱顯影感測、AI學習、物聯網與邊緣運算，解決傳統健康監測無法即時數據化與預警的問題。初期以問卷與5W2H問題分析建構四大功能：體溫監測與AI發燒預測、糞便辨識與分類、飲食與飲水記錄、異常即時通報。 系統採用MLX90640熱顯影模組與ESP32-S3監測體溫，糞便辨識以Edge Impulse訓練模型，搭配ESP32-S3CAM實現即時運算。飲食行為由 HX711 與超音波感測器記錄，並同步推播至 Discord平台。分類模型參考獸醫建議導入布里斯托分類法，提升精準度。系統具備低成本、高精度與高度擴展性，展現智慧照護應用潛力。

隨著台灣在奧運羽球雙打再奪金牌後，更多台灣人想嘗試這項運動。為提升新手學習效率，本研究旨在開發一套幫助新手透過手機進行姿勢矯正的軟體。首先，本研究選擇BlazePose模型當作人體姿態辨識模型，並訓練MLP、KNN及YOLO等姿勢分類器。其中，KNN分類器在影片姿勢分類表現最佳，準確率達94.80%。此外，本研究設計Ball In Ball Out流程可偵測羽球並自動剪輯單一打擊片段，準確率為95.89%。經上述多模態資料分析後，再檢查常見錯誤姿勢及比對專家姿勢差異，最終LLM給予使用者姿勢錯誤矯正建議。羽球專家對姿勢矯正建議的平均認同百分比達82.40%，羽球新手達81.16%。

本研究旨在探討量子計算中由噪聲引發的兩種主要錯誤：位元翻轉錯誤（Bit-flip Error）與相位翻轉錯誤（Phase-flip Error）。我們首先利用 IBM Quantum 平台，透過即時模擬與圖像化操作，建構了一套重複更正碼系統，展示量子糾纏在錯誤校正中的應用。然而，當我們將錯誤更正碼送至真實的量子電腦運算時，發現額外的噪聲干擾使得錯誤更正碼的效率受到影響。因此，我們參考了 IBM 官方網站的資料，並結合在真實量子電腦上獲得的結果，使用 Google Colab 打造了一個最接近真實情況的噪聲模型，利用錯誤參數量化、分析真實量子電腦的出錯情形。

臺灣的許多人要使用電腦打字時皆會選擇「注音輸入法」作為輸入的方法。然而要使用注音輸入法輸入中文時若無切換輸入法則有可能會誤用到英文輸入法。如要輸入「今天天氣好」五字，使用英文輸入法輸入時會輸出「rup wu0 wu0 fu4cl3」。這種文字不易理解。本研究的目的即為研究將未切換到注音輸入法而打出的英數符號混和字元翻譯為漢字的方法。 本研究使用「PTT 中文語料」與「維基百科中文資料庫」訓練 GRU、BiGRU、LSTM 和 Transformer 以及計算維特比演算法，並與 Google 輸入工具的進行比較。整體來看以 PTT 中文語料計算的維特比演算法的 BLEU4 分數最高，在準確率以及 BLEU4 的評分皆高於Google 輸入工具，分數分別為 0.94 與 88.3 分。 本研究之成果在應用方面極廣，可應用於線上翻譯或聊天軟體的即時翻譯。本研究使用之程式碼開源於 GitHub 頁面，除了可讓使用者下載使用外，使用者也可訓練自己的模型。

在臺灣手語辨識，先前研究所使用的監督式學習需要大量標記樣本而限制可辨識詞彙量。為此，本研究借鑒自然語言處理領域中BERT 的遮罩想法，將未標記手語影片隨機遮蓋部分幀數，並讓模型學習預測被遮蓋的幀數以學習臺灣手語的特徵，並透過遷移學習來訓練辨識模型，此作法可克服現有臺灣手語資料缺少的問題。經過實驗，本研究訓練之詞彙辨識模型達成了242 個詞彙量，94.8%的準確率。 此外，先前研究皆未在手語句子翻譯上有成果。因此本研究基於預訓練模型，整合設計手語翻譯的系統，實驗中，系統在100 個句子的翻譯表現達到88%的準，且BLEU-4 分數取得20.98，證明自監督學習的方式在手語辨識、翻譯上是有效的。並展現出樣本需求少與辨識詞彙量可輕易擴大的潛力。

本研究提出一套基於貝茲曲線的手寫圖形向量化系統，透過自動節點擷取與分段擬合機制，在降低點位數的同時維持高度幾何保真，本研究整合了自創的線段向量與曲率特徵處理演算法（SVCFP）能自動分割手繪筆劃並擷取關鍵節點，搭配最小平方法（LSM）進行高效貝茲曲線擬合，整體流程建置於網頁互動介面，可即時繪圖並獲得向量化結果。研究結果顯示，相較於傳統工具，本研究在控制點數上平均減少約84.6%，最高可達90.8%壓縮比，同時僅犧牲較少精準度情況下（BMND分數平均變動約 28~36分），仍能保持流暢準確的輪廓重建 ，亦適用於大量或即時處理情境，如數位手寫輸入、字型設計與圖形分析等，為圖形向量化提供一種高效率、低冗餘、視覺保真且實用價值高的解決方法。

本作品結合積木、馬達機械結構與AI技術自製「圍棋AI自動分類機」，將黑白子分類收納解決下完棋後沒人收拾的問題，我們以自動麻將桌概念為發想，設計9項不同實驗，首先以不同裝置測試棋子掉落方式，發現賓果滾筒能有效控制棋子一個一個掉落，其次大量拍攝不同燈光環境下黑白子照片，以Label-Studio進行影像標註，撰寫Python程式訓練AI影像辨識模式並控制伺服馬達轉向，使黑白子依辨識結果正確分類至棋盒。結果顯示「圍棋AI自動分類機」分類正確率高達99%，此外我們也應用於盲用圍棋，協助視障學生收棋，提升下棋便利性與學習意願。本作品不僅展現AI應用於日常生活創意實踐，也呼應SDGs中促進優質教育目標。

隊員的外婆在台灣獨居，曾因跌倒而未能及時求救，引發家人擔憂，高齡化與獨居老人數量增加，導致安全照護挑戰，需改善意外求助系統。本研究目的是使用OpenCV和YOLO技術辨識人體動作，檢測跌倒情況及其影響發送郵件通知家人。本研究使用Pexels和Google收集圖片進行訓練，Roboflow工具加快標註過程。過程中整合偵測、影像擷取及郵件發送功能，設計時間間隔機制避免重複發送郵件。訓練結果顯示模型在辨識「躺下」動作上準確率高，對其他動作表現尚可，而系統運行時CPU負擔輕，確保穩定性與擴展性。本系統對人物重複辨識和跌倒檢測準確性有改進空間，考慮增加資料量及調整標註類別。未來計畫開發專用APP以提升訊息傳送功能，增強用戶體驗。

本研究提出一款結合生成式AI能進行場景分析，進而綜合情緒、語氣、文化禮節給予最佳回覆的人工智慧眼鏡。目的希望使用者不需要透過手機即可實現即時語音翻譯、情境分析與天氣資訊抓取功能。系統以ESP32為主要控制核心，搭配Android Studio開發之應用程式，透過WiFi採用UDP通訊協定進行無線通訊，提供精簡的翻譯與應答建議。每次翻譯處理後，GPT根據語境與提示詞再將翻譯結果與應答建議，傳送回並顯示於智慧眼鏡的OLED螢幕，將即時資訊呈現在使用者眼前，實現流暢的跨語言互動體驗。

影像對位(Image Registration)為重要影像處理工具，目前已經廣泛運用各個領域，從影像醫學偵測與診斷、工業製造、品管檢測、臉部辨識都是電腦對位的應用。本次研究將探討機器人影像對位，分別透過不同影像感測器來擷取外部影像資訊，透過對位系統進行目標 物瞄準。在準確性分析研究發現不論是單一定點或是連續三點分析 結果顯示感應器的Cpk 未達1.33。此外，分析過程中發現Vision sensor 的 Cpk 值高於 GPS，顯示 Vision sensor 在影像對位準確性表現性上優於 GPS。在時效性分析方面，感應器的種類與底盤齒輪組對於影像對位時間無顯著差異，在連續三點實驗發現時效性與偵測的地點達 顯著差異。研究結果顯示在未來自駕車的設計可以將影像對位與辨 識功能結合，透過感測器觀察外界影像資訊，結合機器學習與演算法， 提高辨識率及時提供行車資訊，提高道路安全與成員安全。

隨著網路技術不斷的進步，意見和情感分析逐漸成為人們日常生活中的一部分。儘管如此，目前人們缺乏一個方便且快速的情緒分析模型，供廣大大眾使用。 本研究旨在提供人們一個緩解憂鬱情緒的管道——當人們輸入一個需要被安慰的情境時，我們的系統將輸出安慰語句，以緩解該使用者之憂鬱情緒，達到安慰效果。為此，本研究訓練了BERT model以及 LLaMA model。BERT model能判斷使用者輸入的語句是否為需安慰語句。而LLaMA model則作為安慰語句之生成模型，以達到安慰之效果。