學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73890
Browse
500 results
Search Results
Item 適應不同氣候情境之流域多水庫多目標發電決策最佳化系統(2025) 曹顥瀚; Tsao, Hao-Han本文旨在開發一套流域多水庫多目標發電決策最佳化系統，以應對極端氣候下的挑戰。針對台灣大甲溪流域，該系統整合模糊類神經網路預測模型，來進行最上游德基水庫的入流量預測，並提出預測區間方法來量化預測的不確定性。藉由建立流域水庫間的逕流模型，來模擬水庫操作的耦合關係。此外，利用模糊邏輯與多準則決策方法，來動態調整決策權重，以及提出評估發電效率與排洪風險的指標，來設計多目標最佳化成本函數。最後，採用二階段逐小時多水庫最佳化架構，整合預測資訊與專家意見，來提升整體的水力發電調度效率、降低排洪風險，並在不同天氣事件中維持著不同的發電決策。Item 結合多目標追蹤與人物再辨識之影像式異常偵測系統(2025) 黃紹綱; Huang, Shao-KangItem 結合影像與四輪控制之智能車體與人體追蹤系統(2025) 呂彥澂; Lu, Yen-Cheng本研究設計一套可以辨識並追蹤人體的智慧型四輪驅動車。結合了四輪驅動車與影像辨識模型，車體由四顆馬達驅動四個車輪，具備靈活的運動控制能力，達成穩定追隨目標的控制。在影像辨識上，車體搭配深度攝影機擷取前方人體影像，透過關節偵測工具MediaPipe Pose擷取人體背部關節的移動資訊，並使用GRU時間序列模型學習並記憶主人的關節動作模式。當系統辨識出該模式與記憶資料相符時，會將此人標記為主人（Master），並啟動自動追隨模式。在運動控制方面，利用運動方程式得出的轉速控制馬達，並透過增量型PID控制器調整轉速，讓車子轉彎與前進更穩定。此研究整合了影像辨識、深度學習與四輪控制技術，有效提升四輪驅動車對指定目標的辨識準確率與追蹤穩定性，未來可應用於智慧陪伴、物流配送及購物跟隨等場域。Item 結合運動特徵之高效 3D卷積神經網路於細粒度足球動作辨識(2025) 陳以秀; Chen, Yi-Hsiu本研究提出結合運動特徵之高效 3D 卷積神經網路架構，應用於細粒度足球動作辨識任務。近年來，細粒度動作辨識逐漸成為重點研究方向，特別是在體育賽事領域，若能準確辨識如「傳球」、「射門」等細節動作，對於比賽分析具有極高價值。然而，細粒度動作在視覺上具有高度相似性，例如「踢球」與「慢跑」在外觀上極為接近，容易造成模型混淆。此外，即時應用亦帶來挑戰，系統必須能即時處理大量的影像並給出正確判斷，對模型的推論速度要求高。因此，如何在保持辨識準確度的同時兼顧運算效率，為細粒度足球動作辨識領域的核心問題。為了解決上述問題，本研究於 X3D 架構中嵌入運動特徵模組，以強化模型對細微運動變化的感知能力。實驗結果顯示，所提方法在整體準確率達 91.80% ，相較於基線模型提升 3.77%，而計算成本僅為基線模型的 1.04 倍，於辨識準確率與效率之間達成良好平衡，展現出應用於即時體育轉播與比賽分析之潛力。Item 類人機器人之視覺型演示學習系統(2025) 李賢文; Lee, Hsien-WenItem 四旋翼無人機結合視覺辨識障礙物與自主路徑導航(2025) 柯紀為; Ke, Ji-Wei本研究實現一套具備即時避障與自主導航能力之四旋翼無人機系統，整合視覺辨識、空間分析與路徑規劃技術，以提升無人機在複雜環境中的適應性。首先，在障礙物辨識方面，應用了Farnebäck 光流法，並結合光流補償提升移動物體偵測準確度。隨後，採用 DBSCAN 類聚法與區塊劃分方式，分析影像中障礙區域的分佈與面積，進一步轉換為 3D 空間中的實體位置資訊。在路徑規劃部分，使用 BFS 廣度優先搜尋演算法進行障礙區域探索，並結合反投影法將 2D 影像座標轉換至 3D 空間中，提供動態避障資訊。針對整體導航策略，採用快速探索隨機樹演算法（RRT*）產生初始路徑，再依序跟隨生成的航點進行飛行引導。在導航過程中，利用機載鏡頭即時取得影像，建立光流場以進行障礙物偵測，並即時分析四旋翼飛行器與障礙物之間的相對關係，實現動態調整與安全避障。實驗結果驗證，本研究所提出之系統可穩定進行視覺辨識、動態避障與空間導航，具有良好之實用性。Item 基於多動作辨識與手臂模仿學習之全向移動互動型機器人設計(2025) 許哲瑋; Hsu, Che-Wei本文設計並實現一款具備多動作辨識與手臂模仿功能的全向移動互動型機器人。結合全方向移動平台、多自由度機械手臂與深度影像分析模組，實現即時人機互動與模仿操作。動作辨識部分，採用人體骨架關節資訊，並以三層堆疊之長短期記憶網路（LSTM）建構時序動作辨識模型，有效識別使用者之肢體動作與手勢。在機械手臂模仿學習方面，運用深度影像追蹤與骨架分析技術，實時擷取使用者雙手關節位置，並透過逆向運動學迭代學習算出對應的機械手臂控制指令，使機器手臂執行相似的人體手臂姿態，達成模仿效果。除人機互動外，系統亦具備物體追蹤與撿球能力，結合物件偵測與深度相機資訊，定位三維空間目標物，驅動全向輪移動平台與手臂完成自主撿取任務。為驗證系統功能與效能，本文進行了多項實驗，針對動作辨識準確率、姿態擷取精度、模仿控制以及物體定位與撿取進行測試與分析，藉此確認系統在實際應用中的可行性與穩定性。Item 四旋翼飛行器 LQR 控制器的設計與實現(2025) 蔡昱賢; Cai ,Yu-Xian本研究採用了線性二次調節器（LQR）控制器來實現對四旋翼飛行器飛行姿態的精確控制。隨著科技的進步，四旋翼飛行器在設計與控制技術上都有了顯著的演進，並且歷經多種控制策略的嘗試與優化，以有效管理其複雜的飛行姿態與穩定性。LQR作為一種經典的最優控制方法，具備良好的狀態反饋能力和性能表現，在本研究中被用來實現對飛行器垂直高度的穩定控制。本控制系統結合了LQR控制演算法與多種感測器的即時數據輸入，能夠有效掌握四旋翼在飛行過程中的姿態變化與高度狀態，並根據目標高度進行精準調整。透過該方法，四旋翼得以順利抵達並維持在預定的飛行高度，顯示出此控制策略在實際應用中的穩定性與可靠性。此外，論文中也提供實驗數據與測試結果，進一步驗證了此控制系統的有效性與可行性。這些實驗包括在不同初始條件與外部干擾下的飛行測試，結果證實LQR控制器能夠快速響應並有效抑制震盪與偏移，使四旋翼系統具備良好的動態性能與控制精度，展現出此方法在無人機控制領域中的實用潛力。Item 基於混合擴張卷積及卷積注意力模組的即時車道線偵測深度學習網路(2025) 林琮祐; Lin, Tsong-You準確的車道偵測對於自動駕駛系統的安全運作至關重要。雖然 LaneATT（即時注意力引導車道偵測）等模型已經表現出強大的性能，但仍有改進其多尺度特徵擷取和優先處理關鍵車道資訊的能力。論文提出了透過整合混合擴張卷積（Hybrid Dilated Convolution, HDC）和卷積塊注意模組（Convolutional Block Attention Module, CBAM）對 LaneATT 模型進行改進。 HDC 模組以最小的運算成本實現多尺度特徵提取，而 CBAM 透過強調重要的空間和通道資訊來增強特徵圖。在 TuSimple 和 CULane 資料集上進行的大量實驗凸顯了我們方法的有效性，與原始 LaneATT 模型相比取得了卓越的性能。此外，消融實驗證實了 HDC 和 CBAM 能夠有效地擷取多尺度情境資訊並專注於相關特徵。