電腦與資訊學科

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。

本研究旨在解決肢體障礙或單手使用者在操作電腦時所面臨的不便，設計一款融合鍵盤與滑鼠功能的單手操作裝置。透過自製PCB電路板、客製化鍵帽與鍵軸配置、3D列印人體工學外殼，以及整合滑鼠感測器與QMK韌體技術，實現單手即可同時完成鍵入與游標控制的操作方式。我們的實驗結果顯示，單手使用時相較於傳統鍵鼠組合，本裝置能大幅減少手腕移動的距離與次數，有效提升使用效率並降低疲勞感。產品設計不僅針對身障者，也適用於特定單手使用情境，具備良好的通用性與實用價值。未來將持續優化硬體與軟體，期望推廣至更廣泛的使用族群，實踐科技輔具的社會意義。

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。

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。

本研究開發了一個基於多項人工智慧技術的多模態失語症溝通系統，旨在提供失語症患者能提升表達自我和參與社交的能力的工具。系統以iOS App作為主體，接收環境影像、語音、唇語、手勢及情緒等多模態資訊後，透過大型語言模型產生完整敘述，再以語音合成播放。研究創新開發AphasiaSim-LLM生成高度擬真的模擬失語症語料，並以量化評估取代主觀評分，證實Gemini 2.5 Flash於語句還原表現最佳；此外亦建構了輕量級手勢辨識模型，並以ORB演算法優化關鍵幀提取；透過異步處理、FFmpeg影片取幀及輕量Flux文生圖模型等優化策略，最終完成能有效輔助失語症患者進行流暢溝通之系統。

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。

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。

近年來隨著資訊科技發展，詐騙行為日益猖獗。儘管政府已建置防詐網站與專線提供人工審查，但面對大量詐騙資訊，其效率仍顯不足。為降低人工審查負擔，本研究探討提示工程技術（Prompt engineering），評估其是否可提升GPT模型對圖像與語音詐騙內容的辨識準確率。研究設計採用三種不同提示策略，分別應用於圖像與語音資料中，並比較其判斷正確數以分析準確率差異。結果顯示Chain-of-Thought Prompting在兩種媒介資料中表現皆優於其餘提示工程模型，顯示良好判斷效果。本研究基於Chain-of-Thought Prompting模型開發互動式網頁程式讓民眾可立馬使用網頁判別可疑的圖片、音訊，展現應用於基礎防詐之可行性，亦可為後續防詐系統提供設計參考。

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。