學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73890
Browse
2 results
Search Results
Item 基於深度學習之多連接模塊對於物件偵測的影響(2022) 李政霖; Li, Cheng-Lin在本論文中，我們提出與YOLOv5不同的加深網路模型的方法，並設計了三種適用於特定資料集的多連接模塊(Multi-Connection)。多連接模塊的主要目的是重用特徵並保留輸入特徵以供向下傳遞。我們在8個公開的資料集驗證我們的方法。我們改進了YOLOv5中的殘差塊(Residual block)。實驗結果顯示，與YOLOv5s6相比，YOLOv5s6加入多連接模塊型一在Global Wheat Head Dataset 2020上的平均精度(mAP)提高1.6%; YOLOv5s6加入多連接模塊型二在PlantDoc 資料集上的 mAP 提高2.9%;YOLOv5s6加入多連接模塊型三的mAP在PASCAL Visual Object Classes(VOC)資料集上提高了2.9%。另一方面，我們也比較了一般的傳統深化模型的方法。一般來說，加深網絡模型會提高模型的學習能力，但我們認為對於不同的資料集，採用不同的策略可以獲得更高的準確率。此外我們設計多連接模塊型四，應用在交通號誌偵測上，多連接模塊型四之一基於殘差塊做堆疊增加網路深度，來加強網路的學習能力，並加入壓縮和激勵模塊(SE block)，來強化特徵圖資訊，另外透過一個額外的跳連接鼓勵特徵重用。多連接模塊型四之二，主要是將多連接模塊型四之一的通道減半，來減少模型計算量跟參數量。多連接模塊型四之三我們基於多連接模塊型四之二多增加一個3乘3的卷積提升模型學習能力。我們選擇TT100K資料集來訓練模型，我們也收集了臺灣交通號誌當作客製化資料集，去驗證我們的方法，目的是要設計出一個高效性能的模塊，所以設計出多連接模塊型四之三。在TT100K資料集中多連接模塊型四之三獲得最好的表現，與YOLOv5s6相比計算量僅增加了11%，mAP提升了3.2%，犧牲一點計算量換來模型準確率有感的提升，此外我們也在其他公開的資料集驗證我們的方法，多連接模塊型四之三的表現也是非常有效益的。Item 移動機器人之二級式區間第二類模糊控制(2011) 李政霖; Cheng-Lin Lee一般而言，機器人在未知環境中，為了可以自主導航及完成工作任務，通常需要使用大量的感測器來感測環境變化。一般的傳統模糊邏輯控制器會因感測器的數量過多而造成模糊規則過於龐大，不利於即時控制。若使用二級式模糊邏輯控制器將機器人動作做切割，當動作較單純時，可利用少量的感測器完成控制，讓模糊規則減少，以順利完成即時控制。但此一設計在即時控制時，卻容易受感測器或環境的雜訊影響，增加控制難度，因此本文提出二級式區間第二類模糊控制器，利用區間第二類模糊邏輯可以涵蓋較多不確定因素之特性，減低雜訊產生時對控制器造成的影響，使機器人控制可以更加流暢。 本文整合雷射測距儀、電子羅盤、視覺系統等感測器，使用全方向輪系統移動機器人來驗證使用二級式區間第二類模糊設計控制器，可以達到控制機器人的效能，並可降低雜訊帶來的影響。