生活與應用科學科(一)科

本研究結合程式設計與運動科學，開發以Python為核心的投籃訓練輔助系統，用科學方法分析籃球投籃曲線數據，建立具回饋的訓練工具，幫助學生個人化訓練與提升表現。 研究採OpenCV電腦視覺技術追蹤籃球飛行軌跡，透過背景相減法，成功記錄了102顆 空心球的投籃軌跡座標，得到出手角度（平均49.35°）、入框角度（平均41.57°）及拋物線最高點（平均3.51公尺）等關鍵數據，並借助ChatGPT釐清分析方向與角度計算公式。 本研究利用攝影裝置結合電腦視覺分析，精準記錄投籃軌跡，透過數據分析得出空心球投籃的具體角度與軌跡特徵，成功建構以Python為 核心的投籃訓練輔助系統，為科學化訓練提供輔助機制，未來可擴展系統功能，納入更多參數或運動型態分析，提升系統的泛用性與準確度。

本研究針對農業害蟲辨識數據集的優化進行探討，旨在提高深度學習模型的辨識準確度。隨著科技進步，人工智慧在害蟲識別中愈發重要，但現有數據集面臨數據品質不良、樣本偏差和錯誤標註等問題，影響模型的可靠性。研究主要分為三個部分：首先分析現有數據集，探討樣本數對分類準確度的影響；其次優化數據集，通過刪除拼接和錯誤圖片、重複圖片等，提升數據質量；最後實際應用模型，開發一套害蟲辨識系統。實驗結果顯示，增加樣本數和改善數據質量顯著提升了模型的準確率，並且開發的介面可協助用戶即時識別害蟲。整體而言，本研究不僅提高了農作物的病蟲 害防治效率，還為未來的害蟲識別技術提供了有價值的參考。

本研究以協助弱勢的特教班學生為目標，特教生常因肌肉發育不良導致施力困難，生活自理能力受限，在缺乏訓練輔具的情況下只能靠夾夾子、握筆、剪紙等動作來訓練肌肉，且效果有限。我們經資料整理與實訪評估後設計出一組液壓機，透過改變針筒容量及數量、使用不同液體等科學實驗檢測，製作出簡易好操作的裝置，讓特教生們進行慣用手指肌肉的訓練，以PASCO力量感測器測量並分析訓練後的手指力量以及施力穩定度的變化，發現使用本裝置訓練能達到顯著提升手指肌力的顯著效果，長期使用能增加肌力與肌耐力。本裝置能以不同的組裝方式、元件、改變施力位置來改裝，製造不同形式的訓練輔具，並兼具多功能用途、價格低廉、取材與製作方便等發展優勢。

看過震動型風力發電機與鬼動草現象後，便思考是否能結合兩者製作出一台「現代鬼動風水儀」？ 風經障礙物會因康達效應改變風場，本研究利用壓電效應偵測風在震動裝置後端產生的卡門渦街，藉由分析電訊號偵測不同障礙物所產生的風場。自定義葉片的等效邊長，發現電壓約和等效邊長、平方風速成正比；另外，不同迎風角度、擺設狹縫或遮住半邊葉片都會使pp板產生小波，牛奶瓶紙則是可以建立迎風角度的預測模型。狹縫的電壓放大倍率可用三次函數擬合。遮住半邊葉片時牛奶瓶紙會產生共振放大效應(鬼動現象)，而擺設圓柱則會使電壓增強，並且能建立電壓預測模型。 本研究成果可用來製作分析微小風場變化之大數據收集裝置，提供訓練AI及建立新的應用方向。

本研究旨在結合PoseNet與Teachable Machine等AI姿勢辨識技術，根據教育部體育署國民體適能網站資料、基礎肌動學、聽取物理治療師建議、開發三款AI姿勢辨識體感互動遊戲，以提升高齡者肌力、預防肌少症。肌少症為高齡社會常見之退化性問題，嚴重影響長者之行動功能與生活品質。本研究透過Scratch平台-OSEP整合PoseNetAI模型，設計可訓練上肢與下肢肌群之遊戲，並於頭份市樂齡協會、運動公園及學校等地，實地施測多位50歲以上的長者。結果顯示參與者均能正確執行遊戲指令，且對互動設計及視聽回饋表達高度興趣與正向回饋。本研究系統具備操作簡易、成本低廉與可擴充性，顯示應用於居家運動或長照場域具高度可行性與發展潛力。

本研究探討雙翅目昆蟲（蚊⼦）對光源的「背部朝光反應」（DLR,dorsal-light response）在捕蚊燈設計的應用。根據2024年Fabian等⼈研究，昆蟲依賴光源調整飛行姿態，若光源位於下⽅，昆蟲可能翻轉墜落。因此本研究嘗試調整光源與電網相對位置，藉以了解捕蚊效率差異。更製作同時具垂直與水平網的雙電網捕蚊燈與僅有垂直網的單電網捕蚊燈進行⽐較。 研究結果顯示，垂直網與水平網的捕捉數量比例為2.57：1。⽽加裝水平網的雙電網捕蚊燈平均收集量為0.338克，單電網捕蚊燈為0.115克，重量比為2.94：1。本研究僅透過優化光源與電網的排列方式，即可提高捕蚊效率，可直接應用於病媒蚊控制。

本研究針對傳統手推車於上坡、下坡及搬運重物時操作費力的問題，設計一套具智慧感測與動力輔助功能的自適應電動手推車系統。整合雙霍爾感測器偵測輪胎轉速與方向、陀螺儀辨識傾斜角度，以及壓力感測器判斷推拉意圖，可依環境與操作情境自動調節馬達輸出功率。我們建構13項輔助邏輯規則，簡化系統運算並提升反應效率。 實測推動34.5公斤負載上坡時，未啟動系統需7686克重（約75.3N）推力，啟動後降為1167克重（約11.4N），省力幅度達84.8%邀請100位使用者操作問卷，88%認為前推較省力，95%在上坡感受到輔助效果，75%認為下坡時系統阻力可防止滑動。 實驗結果證實本系統具備良好穩定性與實用性，未來可應用於物流推車、長照輔具或電動輪椅，提升操作便利與安全性。

本研究共實驗11種金屬當電極片，電功率的效能最佳是鎂片和碳片，過程中發現電極片材質會影響電壓，而電解溶液種類、電極片間隔、面積和浸泡範圍，則會影響電流量，間隔越小或面積越大，電流值越高。木炭和鋁罐、鐵罐或鋁箔紙可以用來簡易造電，以鋁箔紙最佳，但實測卻電壓不足，推測是鱷魚夾太多的緣故。因此利用鋅片和銅片可焊接的特性、鎂片和碳片發電效能最佳，分別進行串並聯實驗，而金屬電極片有著體積小、不易變質、能長久保存的特性，特使用3D列印機印製電池外殼，多次改良，以鎳片代替電線，開發出串聯5個並聯4組的防災電池，實測手機充電，歷時457秒，共43毫安時(mAH) ，約有5％充電量，本研究已有實體成品，可以直接應用在生活中。

卡踏與卡鞋是自行車運動中常見裝備。“上卡騎行”透過卡鞋與卡踏的鎖固或磁力吸附，提供6至9點鐘方向踩踏拉力，減少滑脫與力量流失。機械卡踏時有脫卡不及摔車報導；磁吸卡踏號稱安全脫卡，但缺乏實驗佐證。本研究內容包含（一）踩踏上拉力（二）平台踏板、機械卡踏與磁吸卡踏在不同坡度（0%、2%、4%、訓練台實境陡坡6%-10%）的效率、疲勞度比較及（三）2種卡踏脫卡安全差異。結果顯示上卡可提供踩踏拉力；騎行效率陡坡時顯著提升最高達14.13%，平地緩坡效率差異不顯著；上卡有助於降低相同踏頻下的疲勞度；脫卡安全方面，磁吸卡踏容錯率達100%，顯著優於機械卡踏的42.8%，有更高的安全潛力。

本研究結合生成式AI與UAV技術，利用Google Colab雲端平台，自動檢測柔性鋪面裂縫並評估鋪面狀況指數 (PCI) 的可行性。團隊採用ResNet152預訓練模型進行遷移學習，並透過滑動窗口技術自動定位與分類裂縫。驗證結果顯示，模型在15張現場影像上的F1 Score達0.815，具備穩定且優異的辨識能力。 團隊基於內政部營建署《柔性鋪面損壞調查手冊》標準，開發程式自動計算PCI值並分級評估路況。研究證實，本系統可低成本、快速且準確地替代傳統目視檢測，提供道路維護的自動化評估工具。此外，研究亦展現生成式AI在程式開發中的輔助效益，為未來AI道路檢測技術奠定基礎。