電腦與資訊學科

隨著工商業的進步與人口的增加，物質生活不斷提高，使環境汙染問題日趨嚴重，引發世界各地漸漸開始重視環境保育並向人民推廣垃圾分類的重要性，使回收率上升。 為什麼垃圾分類這麼重要？因為現在的垃圾處理大部分採用焚化或掩埋方式，若垃圾未經分類或分類不當，焚化爐容易阻塞、故障並會縮短操作年限，如果將垃圾確實分類，不但可延長焚化爐壽命，也可減少垃圾產生量。但觀現代許多人即使有垃圾分類的觀念，卻常沒有徹底做好分類，例如：學校內紙包裝飲料盒與鋁箔包飲料盒混在一起丟在回收桶。我們觀察到大部分可回收垃圾上面均有條碼，因此本研究試著建立條碼與資源類別關係資料庫，並利用條碼來自動將垃圾做資源分類。

本研究結合SLAM即時定位與地圖構建及YOLO即時物體偵測，實現環境物品辨識、定位、導航的AR記憶眼鏡。透過SLAM平面偵測建構空間中平面資訊，作為AR物件座標及物理資訊的依據參考，再經過機械學習訓練後的YOLO模型達到辨識物品，結合兩者建立空間與物品的依存關係。以VR眼鏡結合手機模擬AR眼鏡，採用iOS系統及Swift語言設計程式功能及介面，實現走動過程持續即時辨識空間與物品，可運用音量鈕選定要尋找物品，再透過眼鏡畫面方向及距離的指示，導航到該物品位置。本作品還可運用在工作場合，做到紀錄與提醒環境的變化，如航警可疑物盤查、公司財務貨物盤點等，成為幫助人腦記憶的輔助裝置。

AED(Automated External Defibrillator)，中文稱為「自動體外心臟電擊去顫器」，是一台能 夠自動偵測傷病患心律脈搏、並施以電擊使心臟恢復正常運作的儀器，因此傷病患的存活往往是和時間和死神的賽跑，如果將AED設置於人潮眾多的公共場所，供民眾搶救時使用，可降低該類傷病患到院前死亡率。 本研究是以政府資料開放平臺網提供的AED位置資訊，將資料導入地理資訊系統(QGIS)，呈現實際分佈狀況之網格化的結果，因應台灣行政區域的不同形狀，試圖探究數學上所學的幾何圖形，利用數學原理來設計覆蓋方格總數的演算法，藉此找出覆蓋的範圍內，是否需要再增設AED裝置，提供一既有效率且平均的急救體系。

本研究是以Google Apps Script平台撰寫聊天機器人LineBot，此LineBot能抓取事先放置在Google試算表的資料，讓使用者透過和其互動學習物理，我們將它命名為「物理家教LineBot」。它透過URORA解題歷程，指導學生遇到物理問題時正確的解題流程，讓學生能隨時隨地學習物理。為了知道它是否真的能幫助學習，我們也設計了實驗，和使用傳統講義的學生作對照，研究結果顯示我們開發的物理家教LineBot能有效的提升學生解題能力和物理的學習態度。

一個優良的防毒軟體應該要盡可能的減少病毒對電腦造成的損害，然而面對千變萬化的網路世界，必要先發制人的預測病毒，本研究基於機器學習開發一套智慧型病毒掃描系統，運用人工神經網路訓練模型，進而由大數據進行預測。 本專案分為兩個階段，第一層是基於檔案中的各種特徵做靜態分析，第二層是基於執行檔做動態行為分析，且兩者皆採雲端化架構。 雲端掃毒雖非創舉，但本系統有著極高的病毒偵測能力，且無大量資料庫做後台比對，再複雜的變種病毒都難逃本程式法眼，以前陣子鬧得沸沸揚揚的Wanna Cry勒索病毒為例，我們獨自研發的人工智慧病毒掃描系統在沒有看過其原始碼的前提下，就能將其揪出並加以制止。

在過去的五年中，行動裝置之手寫輸入法、滑行輸入法等基於筆跡的輸入系統有巨大進展。但仍無法解決物理晃動造成之筆跡變形。為了解決人們在不穩定的環境中書寫筆跡的困難，本研究提出了“筆跡失真修正系統”。 通過結合內置感應器的數據，系統估計裝置的運動軌跡，並提出的屏幕-手指互動模型恢復失真的筆跡。 該系統嘗試了不同的移動估計算法，也套用濾波器以去除雜訊和去除漂移。 為了得到更精確的感應器讀值，本研究使用了一種不需要額外儀器的校準方法。 翻轉後靜置設備6次，校準演算法將計算感應器誤差模型的最適合參數值並且套用。本研究提出之筆跡失真修正系統在兩代的演進後，已成功在現實世界中測試證明有效性和實用性。

本研究提出新型動態的垃圾子母車清運模式， 此模式將超音波感測器裝在垃圾子車上，感測垃圾子車內的垃圾量，並將感測資料主動傳回伺服端，伺服端經由傳回的資料，即可得知子車內堆積的垃圾量是滿的、半滿的或是空的，並分析哪些子車的垃圾必須及時清運、或可順路清運，哪些可以下次再回收，據此資訊規劃垃圾母車清運垃圾的最佳策略，不但可節省人們等垃圾車的時間，同時縮短垃圾車清運路徑因而減少垃圾車的耗油量與碳排放量，並且解決因垃圾車沿街收垃圾造成的交通阻塞問題，又可避免因垃圾堆積造成環境的清潔衛生問題，有效增加垃圾清運的效益。

本研究觀察到現有門禁的流程仍有改善空間，因此著手製作與傳統門禁不一樣的系統，希望能改善其繁複的使用流程。透過物聯網、深度學習和手機應用程式的組合，便能實現這樣的效果。在門前透過樹莓派拍下訪客的照片，傳到電腦後進行影像辨識，初步決定是否要為其開關門，並將結果傳給主人手機，再由主人決定最終的開關門。本次研究目前已成功造出一套完整系統，能即時傳達通知，且辨識的準確率已可達八至九成。

自動影像處理一直是個熱門的話題，目前已提出許多提升手機拍攝照片品質的方法。在這份研究中，我們建立GAN模型，嘗試消除手機於夜間拍照時照片中的噪點，並且提升照片畫質。我們先用非成對數據訓練CycleGAN，利用CycleGAN由高品質圖片產生對應的低品質圖片，再使用此數據訓練生成器，藉此達到降噪以及提升畫質的效果。藉由我們的模型，使用者可以透過簡易的方式，有效地去除手機拍攝夜景照片中，惱人且難以消除的噪點。據我們所知，我們的研究是目前最方便且有效的方式，為自動影像處理開創嶄新的道路。

垃圾分類是環保重要的議題，本研究提出一個自動辨識垃圾分類的裝置，透過深度學習卷積神經網路來進行分類辨識演算，特別是直接透過影像辨識垃圾物件外觀，均有良好的效果。經測試，本系統已能有效分辨垃圾物件，在神經網路模型的評價中，平均mAP 為 0.973，而針對實際垃圾物件進行辨識，在固定外型的垃圾物件中辨識率達98% ; 而在包括形變的垃圾物件中辨識率仍具95%；本研究證明利用卷積神經網路直接辨識垃圾物件具備一定的辨識率，若進一步發展有機會優化網路效能及辨識程式運作效率，可大幅度降低硬體的成本，擴大提升垃圾桶具備垃圾辨識的能力並進一步普及化並結合物聯網、雲端技術及智動技術擴大垃圾分類自動化的可行性，為地球環保盡一份貢獻。