電腦與資訊學科

本科展專題將嘗試製作出電子琴，並且對電子琴製作的歷程進行記錄。電子琴將擁有一個控制介面、一個鋼琴鍵盤、一個自製鍵盤、以及一張以MIDI為基礎的音效卡。以Arduino Mega 2560製作，效能強大。 使用3.5mm接口將音源信號接至喇叭之後，您只要照著習慣彈奏鋼琴，便可以彈奏出數十種的樂器（意即不單單只有鋼琴聲可以演奏）。 設備也會裝置一具有LCD顯示器的機板和按鈕，使用者可以透過編寫得來的簡易人機介面，隨時對設備進行調整。 該設備可以連接上電腦，進行協同運作，給予使用者更為進階的功能。而相反地，設備應該也要能夠單機運作，並不需要完全依賴外部進行電力供應或是資料輸入。

本研究運用無人機透過自主飛行及SLAM技術，輔助維護人員進行安全而穩定橋樑劣化檢測機制。透過飛行穩定、姿態資訊明確的自主飛行無人機，運用Python撰寫UDP連線程式，即時接收並判讀無人機回傳的影像及姿態資訊，再傳送飛行命令給無人機以順利在橋樑間巡行，而接收的影像則提供目視判斷損害狀況及LSD-SLAM建立強梁的3D模型自動標示測量損害處的尺寸。最終結果證實無人機可取得符合橋梁優選指標 (PI) 的必要資訊，以安全、效率的方式，取代目前必須多人爬上爬下，分工目視及測量方式。

本研究致力於尋找在資料不足的情況下最佳的基因預測模式。 首先，訓練預測腎臟基因(PKD1)變異致病力模型，利用三種訓練方法：「管線」(Pipeline)、 SVM分類器、隨機森林相關分類器訓練資料，並調整相關參數。其中，以隨機森林準確率最高。另外，利用「網路爬蟲」技術整合四個大型網路基因變異註釋工具，製作單一介面方便使用者輸入資料，能夠大幅減少醫生預測病人基因變異致病性的時間，具有極高的實用性。為了嘗試解決基因變異致病力預測資料不足的問題，本研究利用網路工具所預測之致病力分數訓練模型，然基因變異位置複雜，資料量仍有所欠缺。 最後，期望利用本研究「整合網路基因註釋工具」蒐集醫生資料，提高模型資料量同時提高準確率。

本研究中，我們利用Google所提供的API收集來自台灣及中國的地形高度圖(heightmap)和衛星空照圖。我們利用收集的圖像訓練pix2pix cGAN (conditional Generative Adversarial Network) 模型，並將人工繪製的高度圖加上真實山脈應有的細節(包含尖銳的山脊、山壁上的紋路、連續的河流網路……等)，透過訓練的pix2pix模型生成更接近真實山脈的效果。為了提升擬真地形的生成效果，我們在原先pix2pix模型的基礎下，額外加入「動態權重層」來達成。最後利用這些經訓練的pix2pix模型，開發了API、Unity客戶端及網頁客戶端，使我們訓練的pix2pix模型更加實用。本研究除了能應用於遊戲開發，使生成擬真山脈的流程更為簡化，也可將其應用於將低解析度之高度圖轉換為高解析度之高度圖，同時保持高度圖的真實性，幫助地形資料的收集作業。

本研究致力於改善在疫情底下的醫療場所分流機制，減輕第一線醫療人員的人力負擔。利用Arduino模組與臉部口罩辨識技術，串連「口罩辨識、體溫量測、酒精消毒」等三項主要關卡，最後製作出一個集所有功能於一身的「防疫機器人」。 防疫機器人將設置於醫療場所入口，在語音提示下，進行口罩辨識、酒精噴灑與溫度感測，如有突發狀況可與保全人員聯繫。待所有檢測完成後，溫度超標和正常的人會以不同方式進入醫院，降低交叉感染的風險，全面性的守護第一線的人員。 本研究成果能為醫療場所的分流達到「降低人力需求」及「安全」的目標，甚至可以拓展至其他同樣需要分流機制的場域。

我們當初的理念是是希望能將傳統的加密方式融合現代的密碼學，達成更高的安全性，後來我們發現能結合語言學的部分，使得加密變得更有變化。 我們的研究利用「反切」這種古代的拼音方式來設計一套加密規則，並利用它替特定的字串加解密。我們並沒有試著挑戰一般的加解密，而是在原本的基礎上對內文動手腳，也就是說最終可能依然得依賴一般的加密方式，但在此之前我們已將內文經過加密成為密文，使得即使破解了一般的加密，結果依然是一串無法理解的密文，像是第二道保險一般，使文字在原有的加密基礎上再多一層保障。

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，其中原因大多是群眾埋沒於手機的社交軟體所導致。而本研究將利用其便利與群眾互動特性，使用問卷抽查法探討大眾對於活動的觀點，應用網路爬蟲技術抓取貼文，設計一套能提高互動性的平臺，使用者只需在Instagram、Twitter等社交軟體中發布文章，系統會即時推播至活動中的大螢幕上，並且使用LineBot結合圖像辨識自動且快速審核貼文，另方面以後臺系統，方便活動單位常駐貼文輪播活動訊息、廣告與管理。綜上所述，本研究結果確實有效地提升活動互動性及樂趣，以時下流行的各種社交軟體，配合研究平台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參與感。

手機自拍像中常有人臉佔照片整體面積比例過大、構圖不佳的問題，針對此問題本研究運用深度學習提出改善方法。所設計的方法，主要包含四大部分：圖像擷取、圖像外擴、圖像填補以及圖像結合。圖像擷取中，我們運用Mask_RCNN和Closed_Form_Matting兩個演算法，結合兩者優點來生成遮罩，正確率可達87.5%；然後，藉由更改模型架構以優化與對訓練集做不同的前置處理，比較不同模型成效並修正，可對人像自動進行適當的外擴；此外，在圖像填補中，我們設計差集填補的方式來提升填補模型準確率；最後，自動將外擴後人像與填補後背景做圖像結合。實驗結果顯示，所設計的方法可有效地對圖像擷取與圖像外擴模型做優化，並將自拍像中過大的人像縮小至合理大小，形成結構均衡的照片。

● 研究動機：黃疸為常見肝臟疾病表徵，對於偏鄉缺乏醫療的環境，民眾與醫師需有方便的篩檢設備。 ● 研究目的：利用眼部照片以多元迴歸方程式、深度學習，建構眼白顏色與黃疸程度的預測模型。 ● 研究設備及器材：與中國醫藥大學合作，取得354張眼部照片與膽紅素值，利用Python撰寫程式進行人工智慧運算，及利用Excel 的迴歸工具進行多元迴歸方程式推導。 ● 研究過程：以程式擷取眼白像素，進行多元迴歸分析並推導出預測方程式，同時進行深度學習，計算預測率，並以APP成現。 ● 研究結果：多元迴歸分析得預測率約為45.5%~57.8%，深度學習則可高達88.9%~99%。 ● 結論：我們成功以深度學習根據眼部照片預測黃疸的嚴重程度。

目前市面上已經有不少產品應用到自然語言處理 (natural language processing, NLP) 的技術，例如聲音或是圖像標註，但是關於圖像標註的研究大部分是針對英文，因此我們想要進行中文的圖像標註研究。在本研究中，我們嘗試建構神經網路，並使用Microsoft COCO: Common Objects in Context 數據集訓練模型，並試著調整模型以達到較好的圖像標註效果。使用深度學習神經網路作為翻譯流程的工具，並嘗試配合各種不同的網路架構。為了能達到從序列到序列 (seq2seq) 的效果，我們的網路使用了編碼器 - 解碼器 (encoder-decoder) 的結構，編碼器的部分使用CNN，解碼器的部分使用RNN，這樣能有效地傳達序列並有較多種神經網路組合方式。