機電工程學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/84

系所沿革

為迎合產業機電整合人才之需求,本校於民國 91年成立機電科技研究所,招收碩士班學生;隨後並於民國93年設立大學部,系所整合為「機電科技學系」,更於101學年度起招收博士班學生。103學年度本系更名為「機電工程學系」,本系所之發展方向與目標,係配合國家政策、產業需求與技術發展趨勢而制定。本系規劃專業領域包含「精密機械」及「光機電整合」 為兩大核心領域, 使學生不但學有專精,並具跨領域的知識,期能強化學生之應變能力,以適應多元變化的明日社會。

教學目標主要希望教導學生機電工程相關之基本原理與實務應用的專業知能,並訓練學生如何運用工具進行設計、執行、實作與驗證各項實驗,以培養解決機電工程上各種問題所需要的獨立思考與創新能力。

基於建立系統性的機電工程整合教學與研究目標,本系學士班及研究所之教育目標如下:

一、學士班

1.培育具備理論與實作能力之機電工程人才。

2.培育符合產業需求或教育專業之機電工程人才。

3.培育具備人文素養、專業倫理及終身學習能力之機電工程人才。

二、研究所

1.培育具備機電工程整合實務能力之專業工程師或研發人才。

2.培育機電工程相關研究創新與產業應用之專業工程師或研發人才。

3.培育具備人文素養、專業倫理及終身學習能力之專業工程師或研發人才。

News

Browse

Search Results

Now showing 1 - 4 of 4
  • Item
    基於深度學習之職安監測系統開發
    (2023) 王千瑞; Wang, Chien-Jui
    在台灣,每年施工造成意外的比例與職業傷害皆位居前茅,對勞工的生命與產業的生產力造成重大影響,其中勞工不安全行為是意外發生的首要原因。防制此行為的傳統方式是在施工現場架設監視器或派人監工,但由於人力問題,監督的效果與效率並不理想,基於此本研究開發以深度學習為基礎之職安監測系統來協助施工現場的職安管理。科技的進步大幅提升影像辨識能力與速度,本研究利用經過模型架構優化和訓練過程優化的新穎物件偵測器YOLOv7,針對施工現場影像進行訓練並建立職安狀態辨識模型後,對施工中的影像進行偵測,將未符合職安規定的事件篩選出來,最後將辨識結果以LINE Notify即時通報。與YOLOv5演算法進行比較,YOLOv7模型在演算法有改進之外,本研究透過訓練資料集的修正與增加以及模型的重新訓練等方式改善職安監測系統的辨識能力,使模型的mAP提升了約4%。本研究所建立的辨識模型在訓練階段的最佳[email protected]高達0.98,此高[email protected]表示可減少誤報與漏報情況的發生。誤報率太高會造成現場施工的困擾,並對通報失去信心;漏報率太高代表違反職安事件的偵測效果不彰,此將影響即時預警的功能。高[email protected]所帶來的效益將提升施工現場的安全管理,減少意外的發生,強化本研究在產業實務應用的可行性與價值性。
  • Item
    基於深度學習與物聯網之道路施工職安監控系統
    (2022) 游孟修; Yu, Meng-Hsiu
    目前新北市、台北市、桃園市、高雄市在道路挖掘施工時皆規定需要在 工地架設攝影機來即時錄影監控,本研究為了能監控攝影模組的狀態,透過 SSTP 與攝影模組的路由器建立連線以取得溫度、電壓等數值,再使用 Node.js 建立監控平台,記錄攝影機的運作狀態,並偵測回傳的數值,若發現異常狀 態,則使用 Line Notify 推播,以降低監控人員需要觀看螢幕的時間,並更容 易找出設備異常的可能原因。此外,本研究運用 YOLOv5 深度學習之方式建立職安狀態辨識模型, 並與其他物件偵測演算法比較。使用模型即時對施工監控影像進行物件偵測, 記錄違規的樣態,如未配戴安全帽或未配戴反光背心的施工人員,系統將違 規的時間點記錄下來,若超出一定的時間範圍就以 Line Notify 推播,期望減 少施工時發生意外的可能性。
  • Item
    以深度學習為基礎之路面破損與閥栓檢測系統
    (2019) 楊松儒; Yang, Sung-Ju
    近年來台灣道路平整度議題經常被提出來討論,其中一項就是孔蓋的正常與否。每年都需要花費大量的人力在孔蓋巡檢上。為保證巡檢品質與第二年作業需求,需要檢查作業人員拍攝回來之照片,其中包含著門牌以及閥栓近遠照等照片。路面平整度的另一個議題是路面破損,而目前路面破損之檢測如同閥栓巡檢一般依靠了大量的人力。為了減少大量人力需求,本研究將設計一快速且準確之閥栓分辨系統以及一道路破損辨識系統。 本研究中以YOLOv3-tiny及作為基礎,建置一快速分辨閥栓以及門牌之系統。在實驗結果中,本研究在近照之閥栓分辨結果中,達到了Precision 99.33%、Recall 98.89%之高精度。在門牌與街牌辨識的部分,也達到了Precision 95.96%、Recall 93.45%之精度。 道路破損辨識的部分,本研究使用YOLOv3類神經網路進行訓練,並使用一簡單之分割操作,提升了辨識準確率。並希望在未來使用其餘類神經網路以及各種技術,改善此一辨識率。
  • Item
    基於深度學習之心律不整輔助診斷系統
    (2017) 游凱翔
    心臟病一直以來都是人類健康殺手,一旦病發有極高的致命性。而現行心臟病的醫療十分被動,多數情況下於病人發病後,才在緊急狀況下進行治療,容易造成遺憾。因此,近年來心臟病的長期監控逐漸受到重視,藉由攜帶式或居家式心電圖量測儀器,病患可以自行量測心電圖並即時傳送到醫院,使醫生更確實地掌握病患的近況,並在出現異常徵兆時,及時進行治療。 但長期監控同時也會造成資料量上升以及資料品質穩定度下降的問題,本研究針對其提出一套結合深度學習領域中的卷積神經網路架構與k-means演算法的心律不整輔助診斷系統,並在最後對分類結果進行離群資料處理。該系統能對心電圖資料進行初步分析與分類,在診斷時可提供資訊給醫療人員,並標註出危險度較高的區段,減少醫療人員的負擔,並提升診察效率。 本研究提出之系統分為兩個部分,第一部分以k-means演算法對原始資料進行分子類動作,透過此步驟可以使資料特徵更容易被捕捉。第二部分以卷積神經網路為基礎,建構心電圖波形分類器,對分完子類之資料進行分類並將結果進行離群資料處理。有別於傳統類神經網路,卷積神經網路的特點在於該網路能自動提取資料中價值較高的特徵,並運用於資料的辨識,同時卷積神經網路架構還能有效減少網路之參數數量,減少神經網路的訓練時間與消耗資源,提升整體效率。 本研究使用MITBIH心律不整資料庫進行測試,準確度平均可達99.41%,漏診率僅1.23%。整體而言,為一兼具穩定及高效之智慧型診斷輔助系統。