本研究開發了一種基於影像辨識的水果品質分類系統，採用最適合同時處理局部及全局資訊的 Swin-Transformer 模型，透過分析水果外觀來判斷其品質，並多次實驗以調整參數、訓練多個模型以辨識不同水果種類與品質。 使用者上傳水果影像後，系統即能識別水果種類和品質，並提供新鮮度建議與食用方式。此系統相較於傳統的檢測方法，具備非破壞式檢測優勢，且降低成本，適用於農業生產與消費市場。 模型測試結果顯示，水果類型分類器準確率為99.0%，蘋果品質分類器為85.04%，橘子品質分類器為97.67%，顯示該系統在分類與品質評估上具有較高的準確性，對水果檢測及提升食品管理有重要意義。

本研究旨在開發選擇題手寫卷的自動閱卷與成績登記系統，以減輕小老師與教師在小考閱卷及成績登錄上的負擔。為改善選擇題手寫卷的閱卷方式，本研究結合手寫字辨識技術、雲端成績登記存放及網頁式查詢三大功能，開發AI輔助手寫卷閱卷系統。使用者設定考試相關資訊(如考試名稱與標準答案)，並上傳答案卷影像，即可透過系統自動辨識答案且計算成績，並將結果即時傳送至雲端資料表，供教師透過網頁查詢。本研究成果可有效降低人工閱卷負擔，提升成績管理的即時性與便利性，期望為校園提供更高效的閱卷與成績登記方式。

本研究提出一套結合BERT模型與自訓練分類器的失語症分類系統，透過多個方法及參數組合提升判斷精確性。研究靈感來自櫻井等人(2023)[15]提出的BERT分類模型，並參考Cong et al.(2024)[5]針對大型語言模型(LLMs)在臨床環境中的應用，進一步探索自訓練分類器在增強BERT判別能力方面的潛力。 本研究的創新點在於，模型基於醫生標註的分類結果進行深度學習，而非讓AI直接從語料中自動分類病患類型，這與先前主要依賴LLMs自動分類的方法不同。此外，本研究納入詞性、語法結構與語音長度及肢體語言標記，以提升模型的處理能力與個人化治療。 考慮語料庫規模及醫學倫理，本研究採用AphasiaBank(全球最具權威的語料資源之一)的英文訪談文本進行模型訓練，同時移除所有個人隱私資訊。

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。

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。

本研究試圖探索如何將資訊熵應用於Nerdle Maxi，Nerdle Maxi是一款數學益智遊戲，類似於Wordle，但要求玩家猜測出一個數學等式。遊戲的核心在於考驗玩家以有限的猜測次數，通過猜測獲得的回饋，縮小可能等式的範圍，最終猜出答案。此問題涉及對資訊的處理，讓我們聯想到資訊理論中關於不確定性的研究。根據Shannon的資訊理論，資訊熵可以用來衡量一個系統中不確定性，從而幫助我們找出減少不確定性的最佳策略。參考文獻後，我們發現有尚無人嘗試的作法，並實作、壓縮了猜測次數，保證我們能在六次內猜重。再將其與文獻中用在Wordle的做法融合後，壓縮平均猜測次數至3.38次。

隨著高齡化社會來臨，長者夜間跌倒事故頻傳，居家安全成為急需解決的問題。本研究提出一套以深度學習與影像處理技術為核心的智慧監測系統，重點為夜間跌倒事件的即時辨識與預警。系統運用OpenCV進行影像增強，改善夜間低光環境下的影像品質，再以深度學習模型Ultralytics YOLO11進行精準的跌倒偵測，達成即時通報與警示。此外，整合臥床偵測、夜間燈條引導與浴室進出監控，提供全方位居家安全防護。所有檢測數據即時記錄至Web Server（HTML、JavaScript、CSS、Flask、MySQL架構），供遠端監控與數據分析。經實驗證明，本系統能準確辨識夜間跌倒事件，有效減少長者夜間意外事故發生，對高齡社會居家安全具重要貢獻。

本研究著重於透過面部表情的判斷進而推斷情緒狀態的深度學習神經網路模型。首先，將人類的情緒狀態分為七個類別，並透過MediaPipe框架取得影像中的臉部特徵位置，利用其座標框定臉部範圍並作為深度學習模型的輸入。第二，透過部不同特徵訓練模型，進一步優化模型識別情緒的準確度，並嘗試不同的特徵，例如：趨勢曲線函數的係數或是各種向量。最後我們設計了一個插件，利用此模型在Google Meet中進行即時的影像辨識並分析，作為線上課程的授課成效評估。 目前本模型在透過五層卷積層配合池化層及全連階層，並提取瞳孔眉毛向量、瞳孔鼻尖向量以及口部中心為基準點的向量作為特徵，能夠有84%的準確度，F1值落在約85，其中快樂情緒的辨識精準度高達98%。

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。

本項研究透過程式模擬宅配業貨車司機的裝貨與下貨過程，提出比傳統垂直擺放策略更具彈性且方便下貨的貨物放置策略－分層擺放策略。本研究所提出的分層擺放策略不僅提升了裝貨的靈活性，還能確保貨物結構便於移動與下貨。同時，程式計算擺放方式所需時間，相較於人工計算，更能有效減少時間成本。期待本研究成果能夠為未來的物流業者提供參考。

本研究透過結合局部敏感雜湊（Locality-Sensitive Hashing, LSH）與知識圖譜（Knowledge Graph, KG）以改善檢索增強生成技術（Retrieval-Augmented Generation, RAG）在檢索的時候難以在精確度與效率之間取得平衡的問題。透過使用LSH 將資料分桶，接著利用知識圖譜進一步篩選資料，以提高檢索的精確度與效率。 實驗結果顯示，結合知識圖譜與LSH後的系統，在精確度（precision）上可達到91%，相較於VectorRAG 的84%提升約8.33%，與GraphRAG的96%則僅有5.21%的差距。此外，本系統在檢索時間上較GraphRAG降低了95.38%。由此可以證實，透過結合LSH及知識圖譜能在保持高精確度的同時，顯著提高檢索效率。

現今網路充斥著具壓力的負面言論，影響使用者的心理健康。本研究旨在參考 C-ME 量表並整理為四大類標籤，人工分類從論壇蒐集的言論來訓練模型。研究採 LSTM、雙向 LSTM、CNN + LSTM 及 Transformer四種深度學習模型，基於自建資料集進行訓練，實現對全新言論的精準分類，並比較四種模型在精確率、召回率及 F1-score 等指標上的表現。結果顯示，LSTM處理數據不均衡的資料集時表現最佳，F1-score達89.2%。實測發現，CNN+LSTM 在預測效果上略勝 LSTM。此外，結合生成式 AI GPT-4o-mini，能有效改善不當言論，為留言者提供更委婉的表達建議。