圖文傳播學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/83

歷史沿革

民國42年2月

政府遷台後為實施國家建設亟需技術人力,仍將初高中職校改制為單位行業教育,在美國國際合作總署之資助下,由當時的台灣省立師範學院設立工業教育學系,初設機工、木工、電工、圖文 (印刷) 工廠,聘請顧柏岩先生擔任系主任,自民國四十二年二月,開始招收第一屆新生,為培育印刷職業教育師資,不定額招收高職印刷科畢業學生,施以印刷師資專業教 育及工藝科「圖文工」師資之培育。

民國50年8月

工教系分別招收工職組及工藝組兩個班,工職組招收高工畢業生,專為培育工業職業學校師資,內有一組獨立招收印刷科畢業生一至三名,施以印刷學程專業教育,並為高中工藝科目培育圖文傳播科目之專業能力。

民國67年8月

工教系教學內容整合為:

機械職業教育組

電機、電子職業教育組

傳播設計教育組

其中圖文傳播定額招收學生五名,至民國八十四年增招至十五名。

民國84年

在許瀛鑑教授規劃,提出圖文傳播組獨立設系之申請,經教育部批准成立「圖文傳播教育學系」,隸屬教育學院,籌備於八十五年八月招生授業。 民國八十四年十月份,為預作「師資培育機構」之轉型,並配合本系培育「亞太媒體中心」之印刷出版媒體及影視傳播媒體工程人員政策下,國立台灣師範大學奉教育部令,本系更名為「圖文傳播技術學系」。

民國84年10月

為預作「師資培育機構」之轉型,並配合本系培育「亞太媒體中心」之印刷出版媒體及影視傳播媒體工程人員政策下,國立台灣師範大學奉教育部令,本系更名為「圖文傳播技術學系」。

民國85年8月

提供

四技二專聯招名額20名,錄取學生屬印刷出版科技組,授予工學士學位。

大學聯招名額20名,錄取學生為影像傳播科技組,授予工學士學位。

民國87年9月

教育部核定師大成立科技學院,本系由教育學院改隸科技學院;並再更名為圖文傳播學系,大學部修業年限為四至六年,至少應修完128學分。專業必修含 蓋印刷出版、影視傳播、電子傳播等領域。公費生尚須多修習26教育學分,畢業及獲得本科准教師資格 ,並在相關學校試教一年後取得教師資格。

民國88年7月

教育部核准籌備研究所碩士課程,並定於八十九年三月分印刷出版科技組與影像傳播科技組兩組招生,九月正式上課。研究所修業年限二至四年,應修完32學分,並選各組專業學程的必修課程才能撰寫學位論文,畢業獲頒工學碩士學位。

民國89年

千禧年為本系第一屆畢業生完成大學部學業,並為研究所首屆新生入學之雙喜年。

民國89年7月

教育部核准研究所碩士班招收「印刷出版科技」與「影像傳播科技」兩組學生。畢業後獲頒工學碩士學位。

民國94年

教育部核准開設「圖文傳播在職進修專班」。畢業後獲頒工學碩士學位。

現在

本系現有專任教師 10 人, 計教授 6 人;副教授 1 人;助理教授 2 人;講師 1 人。

學士班學生共計約 180 人。

碩士班學生約 176 人 (含碩士在職專班 103 人)。

Browse

Search Results

Now showing 1 - 3 of 3
  • Item
    應用深度學習演算法之海報文字區域檢測實驗
    (2022) 盧聖侃; Lu, Sheng-Kan
    近年來,數位化的廣泛應用也促使了互聯網的發展。伴隨著互聯網技術日新月異,大量的社交媒體和其他應用程式不斷推陳出新,數位圖像已然成為社會中一種主要的資訊獲取來源。在當今資訊量爆炸的社會裡,海報作為生活中最常見的資訊傳達媒介,成為生活中處處可見的藝術表現方式並充斥在現代人的生活當中。若能提出一個檢測方法來辨識海報中的文字區域,不僅能提取海報文字區域作為後續分析的資訊,也能使海報在網路中的更容易被使用者檢索。隨著深度學習的興起,越來越多研究者利用深度學習來完成影像分析及物件檢測。而其中,Mask R-CNN 與 Yolov4 分別代表著 two-stage 與 one-stage 的目標檢測方法,無論是在物件的瑕疵檢測、人臉的偵測、交通路況的偵測等領域都有很好的研究結果。然而,以上大多都是檢測自然場景物件,較少應用在平面設計的領域之中。基此,為了提取海報圖像的文字區域,本研究將訓練 Mask R-CNN 與Yolov4 兩個檢測方法,分別來對海報圖像文本進行檢測。實驗結果顯示,Mask R-CNN檢測文字區域的 mAP50 可達 79.0%;Yolov4 檢測文字區域的 mAP50 也高達 85.1%。意味著兩個目標檢測方法都可在海報版面中,定位出海報中文字區域,提供未來作為文字辨識的數據。而對比 Mask R-CNN 與 Yolov4 兩種演算法的輸出結果後,發現 Yolov4 可以更準確地檢測文字區域,並且較不受海報因色彩、文字大小、文字間隔等設計因素影響到檢測結果。
  • Item
    深度學習融入有價證券之微結構真偽辨識-以振興三倍券為例
    (2021) 邱曉昱; Chiu, Hsiao-Yu
    身處在充滿人工智慧結晶的時代,我們視科技為理所當然,並享受著其帶來的便利與生活品質,然而在這項技術逐漸嶄露頭角之際,各類威脅也倚靠著科技滋長茁壯。政府2020年為復甦經濟所發放之「振興三倍券」於使用期限內曾傳出偽造事件,為了能精準判別整張有價證券真偽,本研究主旨為使用深度學習CNN (Convolutional Neural Network ),有效且快速辨別真偽振興三倍券微結構取樣影像組合,進而依此推測判別出整張紙券真偽,同時以減少訓練樣本數達到高辨識率為目標,取得最佳學習尺寸組合,最後歸類分析錯誤辨識微結構印刷類型並於原券定位,為此次研究目的。首先將面額200元及500元之紙本振興三倍券掃描定義為掃描真券;與之複印後再次掃描為模擬偽券,後以尺寸32×32、64×64、96×96及128×128 pixels進行隨機局部不完全重複取樣,建立訓練及測試影像資料集,分組後個別輸入CNN模型訓練測試,得出辨識正確率與錯誤辨識影像於原券上之分佈。實驗結果顯示,依照各組辨識正確率之比例及趨勢可成功推測判別整張振興三倍券真偽,且印證研究使用之CNN模型不需學習全尺寸之局部影像組合,僅訓練最大及最小尺寸之影像資料集,即可達到預期之顯著辨識成效;至於透過錯誤辨識分佈的統整,發現無論掃描真券或模擬偽券的局部取樣,所辨識的錯誤特徵皆有較高的比例集中於鈔券的凹版印刷處。本研究提出一個不需藉由專業人士判斷有價證券影像,基於CNN模型即可有效辨別鈔券局部微結構真偽的方法,並以此實驗結果為基礎,未來可結合手機拍攝取樣,推測於拍攝指定距離範圍內之鈔券影像可精確判讀,達到更加便民與實用之效果。綜合上述,此研究不論是在產業界抑或是學術界皆具有一定程度之應用價值。
  • Item
    以資訊植入及深度學習提升圖像化二維條碼實體輸出的辨識能力之研究
    (2021) 何怡慧; Ho, Yi-Huei
    QR code 是目前最普遍被採用的二維條碼,由於其為黑白模塊所組成,影響視 覺美觀,且在列印輸出時,因尺寸大小、網點擴張等印刷條件因素,導致條碼資訊 容易失真,影響解碼辨識。為了能夠將印刷輸出之小尺寸美化 QR code 保持視覺美 觀並且穩定解碼,因此本文提出了一套系統性的圖像化 QR code 資訊植入技術,列 印後掃描將辨識結果進行錯誤分析,了解 QR code 之黑點與白點資訊點模組的錯誤 特性並加以改善,最後以深度學習辨識來進行錯誤分析。實驗結果顯示,本研究所 發展的方法能相容於現行的列印輸出設備,在調整白色資訊點的植入訊息強度後, 可有效抑制因網點擴張所造成的「偽黑」 辨識錯誤的情形。且輸出的小尺寸圖像化 QR 仍有較佳視覺品質,降低錯誤發生率,並藉由深度學習辨識提升辨識能力,有 效增進美化 QR 的成功讀取率。對於彩色影像在指定輸出裝置的條件下,可得到最 佳化的 QR code 植入訊息方法及讀取能力,未來能夠運用於商業加值應用上,並彰 顯實體輸出條件對於圖像化 QR code 整合應用的重要性。