電機工程學系
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/85
歷史沿革
本系成立宗旨在整合電子、電機、資訊、控制等多學門之工程技術，以培養跨領域具系統整合能力之電機電子科技人才為目標，同時配合產業界需求、支援國家重點科技發展，以「系統晶片」、「多媒體與通訊」、與「智慧型控制與機器人」等三大領域為核心發展方向，期望藉由學術創新引領產業發展，全力培養能直接投入電機電子產業之高級技術人才，厚植本國科技產業之競爭實力。
本系肇始於民國92年籌設之「應用電子科技研究所」，經一年籌劃，於民國93年8月正式成立，開始招收碩士班研究生，以培養具備理論、實務能力之高階電機電子科技人才為目標。民國96年8月「應用電子科技學系」成立，招收學士班學生，同時間，系所合一為「應用電子科技學系」。民國103年8月更名為「電機工程學系」，民國107年電機工程學系博士班成立，完備從大學部到博士班之學制規模，進一步擴展與深化本系的教學與研究能量。
News
Browse
8 results
Search Results
Item 彩色濾光片電子紙之色彩重現影像處理(2024) 黃柏翰; Huang, Po-Han印刷式彩色濾光陣列電子紙具有快速驅動和準確色彩控制的優勢。然而，它的色域比多色彩電子紙狹窄，且輸出響應曲線通常是非線性的，這導致顏色和色調再現困難。本論文討論了傳統影像處理流程在這種新型彩色電子紙上的應用問題，並提出了解決非線性響應問題的方法。通過這種新影像流程，可以顯著改善顯示品質。Item 自動樂譜辨識與打擊樂機器人系統(2020) 黃朝慶; HUANG, Chao-Ching光學樂譜辨識系統是一套針對樂譜影像進行影像辨識的系統，在樂譜影像中，音符是用以記錄音階和節拍的資訊，在過去許多的研究和實驗當中，針對高解析度的樂譜辨識系統已經達到成熟的階段。然而，基於相機影像的樂譜辨識會受到環境光線、角度和模糊的影響，故仍有進一步研究的必要，我們初次嘗試將深度學習架構應用在基於相機影像的樂譜辨識系統。首先，我們使用線偵測演算法在即時攝影畫面中自動偵測樂譜影像，並找出樂譜當中的五線譜範圍，因為我們只專注於五線譜當中的音符資訊，為了完成這個任務，我們使用霍夫線偵測演算法並取得每一行五線譜的範圍。接下來，為偵測、切割及辨識每一個音符，我們將每一行獨立的五線譜送至基於Darknet53網路之YOLO v3的檢測模型當中，目前可以辨識六類的音符分類名稱分別為全音符、二分音符、四分音符、八分音符、四分休止符和二分休止符，再者，將YOLO v3所偵測到的音符根據樂譜中的位置進行排序，並送至卷積神經網路用以辨識音階，現階段我們可以辨識C3到F4共十一類的音階，最後我們透過RS232連接Delta機械手臂進行樂器的演奏。在光學樂譜辨識的發展中，我使用霍夫線偵測樂譜中每行的五線譜範圍，如此我們可以避免歌詞或圖案的雜訊，減少辨識的錯誤。不僅如此，透過自動化五線譜偵測所取得的樂譜影像使用深度學習的架構進行辨識，並在介面上顯示音階和節拍，至終，我們使用機械手臂進行演奏。Item 基於卷積神經網路之即時人臉表情辨識(2019) 劉耿丞; Liu, Keng-Cheng本文提出基於卷積神經網路(Convolution Neural Network, CNN)之即時人臉表情辨識系統，透過所提出之穩定度提升方法，以解決即時人臉表情辨識的不穩定問題。提高人臉表情辨識準確率的方式有許多種，例如：圖片預處理、辨識架構改變等無非都是要讓應用方面的效果更好。本文想解決攝影機在光照等影響下會造成不斷擷取畫面的某些時刻之圖片特徵改變，導致人臉表情在辨識中產生錯誤。由於攝影機的高速擷取影像，圖片與圖片之間時間間隔較小，因此，本文針對於改良LeNet卷積神經網路和Two Stream卷積神經網路架構辨識系統提出不同的方法，前者使用比重平均法，而後者使用統計法，使用提出之方法後對於即時人臉表情辨識整體穩定度及強健性均獲得提升。Item 8位元AES的FPGA設計及其五種模式之影像應用(2010) 江哲豪; Che-Hao Chiang高等加密標準(Advanced Encryption Standard, AES)硬體實現在現場可程式化閘陣列(FPGA)與特殊用途積體電路(ASIC)已經被很廣泛的討論；然而在嵌入式硬體的應用上，低產率與小面積的設計在近幾年也開始被研究。 本研究提出一個小面積的硬體電路，採用8位元的架構來實現AES-128的規格，其中使用Block RAM來完成位元組替換(SubByte)與移列轉換(ShiftRow)的動作，使用共用電路方式製作混行轉換(MixColumns)；以軟體來取代硬體的金鑰擴展(KeyExpansion)，來節省電路面積。透過上述所提出的方式在FPGA上所完成的實驗數據，其資源消耗為109個Slice、速度可達到94.056Mhz，是在目前文獻中8位元架構中最快的設計。 並且針對實現影像加解密的應用時所遇到的問題，本研究分別以各文獻中的方法實做，並且針對其各種不同的結果做分析，對於他們的缺點加以改良，優點予以保留，整理出一個更好的加密工作模式。Item 32位元小面積之嵌入式AES的FPGA設計與影像應用(2009) 張國煌; Kuo-Huang Chang高等加密標準(Advanced Encryption Standard, AES)硬體實現在現場可程式化閘陣列(FPGA)與特殊用途積體電路(ASIC)已經被很廣泛的討論，尤其是如何達到數十億產率的議題；然而在嵌入式硬體的應用上，低產率與小面積的設計在近幾年也開始被研究。 本研究提出一個小面積的硬體電路，採用32位元的架構來實現AES-128的規格，其中包含2組移位暫存器(Shift Register)來完成移列轉換(ShiftRow)的動作；並利用晶片內建的Block RAM來放置整合資料，完成位元組替換(SubByte)與混行運算(MixColumn)的動作；而以軟體來取代硬體的金鑰擴展(KeyExpansion)，來節省電路面積。透過上述所提出的方式在FPGA上所完成的實驗數據，其資源消耗為110個Slice、速度可達到75Mhz(每秒可處理29張640×480大小的彩色影像)，是在目前文獻中面積最小的設計。 為實現影像加解密的應用，本研究分別使用兩種方式來與上述32位元AES核心電路整合，其一為結合嵌入式系統與IP core的架構，屬於軟體與硬體的搭配；另一為只用硬體描述語言(HDL)來實現，較偏向硬體電路來控制。Item 影像處理應用於矩陣LED瑕疵檢測之研究(2018) 張先任; Chang, Hsien-Jen矩陣發光二極體（Matrix Light Emitting Diode, Matrix LED）是業界應用最廣泛的LED材料之一。因為矩陣LED是個低單價的產品，加上檢測機台成本太高，使得廠商購買意願降低，所以矩陣LED瑕疵缺陷仍然由人工進行檢測。隨著人工成本提升和人工檢測的不穩定性，我們需要應用自動光學檢測(Automated Optical Inspection, AOI)解決矩陣LED瑕疵檢測的問題。在這本論文研究中，我們提出了一套有效的矩陣LED檢測系統。該系統提供三種檢測，第一為表面刮傷瑕疵、第二為RGB亮暗點檢測、第三為使用支援向量機(Support Vector Machine, SVM)進行亮暗點分析。 在表面刮傷瑕疵檢測主要由SURF (Speeded-Up Robust Features)特徵匹配結合透視變換進行圖像校正，然後在輪廓檢測部分本文使用FindContours函式，接著找出瑕疵邊緣使用Canny邊緣檢測，該方法的準確度可達98.00％，檢測每顆矩陣LED需花2.95秒。 RGB亮暗點檢測使用ROI擷取每顆LED後，使用cvAvgSdv函式計算R、G、B平均值，首先與前一顆LED進行G值的比較，將有色差LED檢測出來，最後與制訂範圍進行判斷，該方法的準確度可達到98.00%，實驗結果顯示，檢測每顆矩陣LED需花0.01秒。 最後，使用SVM結合HOG進行圖像分類，解決矩陣LED亮暗點的問題，其準確率可達98.33％，執行速度上，檢測每顆矩陣LED需花0.38秒。實驗結果顯示，所提出的方法是有效的，並勝過以前的方法。Item 基於機器視覺與次像素邊緣偵測於LED探針之自動化檢測系統(2017) 余立安; Yu, Li-AnLED (light-emitting diode,發光二極體)從原先做為電子裝置的指示燈使用，如今已被廣泛的應用在工作或一般用途的照明上；而LED需要由LED探針做燈泡特性的量測，以篩選出LED的好壞，因此越來越多LED探針被大量地生產。本論文的研究目的就是提出一套自動的光學檢測系統，以提升LED探針的品質，提高生產效率，降低不良品的產出，並能夠即時回饋產品的資訊，而檢測的流程則使用許多機器視覺與影像處理的技術，包含運用Otsu門檻值搭配Canny的邊緣檢測得到初步的邊緣位置、次像素邊緣檢測取得更精確的邊緣位置、以及物件分群等方法，以提升量測的準確度，最後可以控制探針角度誤差在1%而半徑誤差在2%左右，並且提出一套能夠精準的區分出有瑕疵探針的方法，實驗證明本論文所提出的方法能夠快速且精準的分析LED探針的尺寸以及好壞。Item 以多核心圖形處理器加速影像處理之研究(2016) 周文瑞; Chou, Wen-Jui本論文研究以多核心圖形處理器(Multicore Graphic Processing Units)加速影像處理演算法，我們以全向圖(omnidirectional pictures)轉換成全景圖(panoramic pictures)及車牌辨識(vehicle license plate recognition)系統為例，提出平行演算法並以多核心圖形處理器進行相關演算法加速。 論文首先針對橢圓拋物曲面全向圖轉換成全景圖的演算法進行平行化研究，本論文提出了一個階層式的平行架構包含資料平行(data parallelism)與任務平行(task parallelism)兩個階層，其中資料平行階層是透過執行圖形處理器的大量執行緒平行轉換每個像素從全向圖移轉至全景圖，而任務平行階層是透過圖形處理器多串流技術(multiple stream)，以管線化(pipelining)的方式平行執行多個影像的轉換。任務平行可以藉由重疊影像處理器的核心運算與資料傳輸的執行時間來改善整體的效能。實驗結果顯示相較於CPU，透過圖形處理器，我們可以得到6.33倍的改善。 論文第二部分，我們針對車牌辨識系統進行平行化研究，一個車牌辨識系統主要包含車牌定位、車牌校正、文字切割與文字辨識等四大步驟。首先在車牌定位部分，我們透過灰階轉換、直方圖等化、二值化、輪廓萃取與剛性物體偵測之核心演算法取得車牌的位置，然後在車牌校正方面，我們使用仿射轉換中的單映性以校正歪斜的車牌。在文字分割方面，我們利用輪廓萃取及邊緣偵測將文字與車牌面積進行計算，並將車牌中的文字分割取出。最後在文字辨識部份，我們利用樣板比對法(template matching)作為文字辨識的方法，為了縮短辨識系統計算的時間，我們透過圖形處理器加速車牌文字辨識的計算速度相較於CPU，我們可以得到100倍的改善。 關鍵字：多核心圖形處理器、影像處理、全景圖轉換、車牌定位、車牌辨識