學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73890
Browse
97 results
Search Results
Item 四旋翼飛行器軌跡控制器的設計與實現(2024) 張佑駿; Chang, Yu-Jun本文使用串級模糊PID控制器來進行四旋翼飛行器完成循跡控制飛行任務，分析四旋翼飛行器的運動學，包括運動模型與運動方程式，在此基礎上，利用串級PID控制針對飛行器的角度與角速度進行姿態控制，後續增加模糊控制，利用模糊理論特性修改PID參數，使四旋翼飛行器在飛行時更穩定，最後利用感測器接收的訊號來判斷四旋翼飛行器的位置，以此達成更穩定的控制與軌跡追蹤，並使其能夠更精確地達到預定目標位置。最後進行實驗比較和分析，所提出的控制方法能有效實現對四旋翼飛行器的飛行控制與穩定性，並結合感測器使四旋翼飛行器完成循跡控制。Item 區塊匹配應用於雲層移動估計之全天空影像與衛星雲圖日射量估計與預測系統(2024) 高碩; Kao, Shuo本文透過全天空影像及衛星雲圖的分析，來開發以影像中雲層為特徵的估計與預測系統。在全天空影像中，使用紅藍比例法擷取雲層特徵影像，並提出適應式閾值在不同背景亮度的情況下更精確地判定雲層資訊計算雲層在整張圖的占比，以及太陽周圍雲特徵分析，在衛星雲圖中使用超像素分割出觀測區域雲層並利用紅藍比例法擷取雲層資訊；透過粒子測速區塊匹配推估雲層移動情形，製作未來數分鐘至小時之雲層情況，提取雲層特徵，作為雙向長短期記憶模型之輸入，而模型輸出為日射量。使用三個評估指標來檢視模型學習情形，包含相對均方根誤差、相對平均絕對誤差與預測技巧比較估計及預測成果，其中估計與預測時長 120 分鐘實驗的相對平均絕對誤差分別可達 21.99%與 34.66%。Item 5G毫米波網路中最大最小公平資源配置之研究(2024) 陳柏丞; Chen, Po-Chen5G毫米波網絡(millimeter Wave, mmWave)是一種高頻信號，波長在毫米範圍內。由於毫米波的波長極短且穿透能力差，並且其有效範圍有限，本論文考慮到這些特性，將其與最大最小公平資源分配相結合。類似於無線局域網（Wireless LANs），接入點（AP）之間的流量負載分佈通常是不均衡的，導致用戶之間的頻寬分配不公平。通過最大最小資源分配，可以顯著減少負載不均衡和隨之而來的不公平頻寬分配。在本論文中，我們提出了一種有效的解決方案來確定用戶與接入點的連接，以實現最大最小公平的頻寬分配。我們展示了公平性與負載平衡之間的密切關係，這使我們能夠利用負載平衡技術來實現最佳的最大最小公平頻寬分配。我們的模擬結果表明，所提出的部份連線演算法接近於實現最佳負載平衡。最後，我們將我們的方法與比例公平資源分配進行了比較，並探討了兩者之間的差異及其優缺點。Item Item 基於非對稱U-Net實現微小且快速移動之物體檢測網路(2024) 羅郁鈞; Lo, Yu-Chun本論文旨在探討物件偵測在微小、快速且特徵不明顯的物體上的應用。為了改進比賽戰術並提升技能，專業運動員和業餘玩家經常使用手機或相機記錄他們的練習和比賽。隨著這一領域的興起，越來越多的研究人員開始結合深度學習模型與運動分析，以提供更全面的見解。物件偵測是其中的關鍵任務，因為識別物體的位置可以提供有價值的資訊，如戰略分析。然而，針對如羽毛球這樣快速移動且模糊的物體進行追蹤的研究仍然有限。TrackNetv2方法基於VGG-16和U-Net，通過熱力圖檢測羽毛球的位置，但其架構需要大量計算資源，難以在實際應用中保持高效。為了解決這個問題，我們提出了一種名為TinySeeker的非對稱架構，這種新穎的架構不僅能精確的檢測羽毛球的位置，還能提高計算效率，在檢測精度和計算需求之間達到了最佳平衡，使其在現實應用中既實用又高效。實驗結果表明，Tinyseeker可以在保持精度的同時減少多達26%的計算量。這種架構在該領域標誌著一項重大進展，推動了物體檢測任務的可能性，並為未來的類似研究設立了新的基準。Item 基於圖像串接和深度學習的改良生咖啡豆分類方法(2024) 温鑫; Wen, Xin為了解決生咖啡豆在影像辨識上的分類困難並提升精確度，這篇論文提出了一種通過串接不同的影像增強技術來融合不同的特徵提取演算法，以提高對生咖啡豆的辨識準確率。為了從原始影像中獲得各種關鍵特徵，我們選用了自適應閾值、位元平面分割、黑帽運算、Canny邊緣偵測、灰階、直方圖等化、Laplacian濾波、頂帽運算與非銳化濾鏡九種常見的影像增強方法。我們提出先在原本九種影像增強算法中挑選出與基準真相相關性較高的方法，並且僅將原始影像的RGB影像平面替換成相關性較高的影像處理方法，藉著多種特徵提升模型辨識度。在這項研究中，我們使用MobileViT進行實驗，最後選擇相關性較高的處理方式作為特徵融合的素材，經過影像串接產生的影像資料集作為新的輸入重新訓練。我們將不進行任何影像增強的分類方法視為基準。在二分法中，位元平面分割、直方圖等化和非銳化濾鏡的組合達到了96.9%的準確率，相對於原始方法提高了約5.5%。如果使用去除背景的相同資料集，相同的組合可以達到了97.0%的準確率；當我們選擇三分法進行實驗時，同樣都是由位元平面分割、直方圖等化和非銳化濾鏡的組合，分別達到了96.8%以及97.4%的準確率，較原始方法提升6.7%與4.9%。最後我們使用MobileNetV3驗證研究結果，在二分法的情況下，相同的影像增強組合分別在未去除背景與去除背景的影像可以獲得最高的99.12%與99.21%的準確率，相較原始方法有0.39%與0.44%的提升；如果以三分法再次進行實驗，與原始方法比較，大約分別有0.92%以及0.79%的提升，取得了98.73%與99.25%的準確率。Item 針對空拍影像物件偵測之改良型YOLOv7演算法研究(2024) 鍾宜修; Chung, Yi-Hsiu近幾年無人機的技術發展迅速，飛行距離越來越遠、體積也不斷縮小，甚至能自動飛行，因此能應用的範圍也越來越廣泛，例如交通監測、工業或自然環境巡檢等等。另外隨著人工智慧的興起，現在無人機也會結合人工智慧演算法協助其辨識影像。由於無人機所拍攝的影像內物件往往尺寸偏小，且無人機本身的運算支援有限，因此如何提升小物件的辨識效果且同時降低模型運算時所需的資源至關重要。本論文以YOLOv7為基礎模型進行改良，提升它對小物件的偵測效果且同時降低模型參數量及計算量，我們以VisDrone-DET2019資料集來驗證模型改良成效。總共修改五種方式，第一種方式是將ELAN (Efficient Layer Aggregation Network)替換成M-ELAN (Modified Efficient Layer Aggregation Network)，第二種方式是在高階特徵層添加M-FLAM (Modified Feature Layer Attention Module)，第三種方式是將特徵融合的結構從PANet (Path Aggregation Network)改成ResFF (Residual Feature Fusion)，第四種方式是將模型內下採樣的模塊改成I-MP模塊 (Improved MaxPool Module)，最後一種方式是將SPPCSPC (Spatial Pyramid Pooling Cross Stage Partial Networks)替換成GSPP(Group Spatial Pyramid Pooling)。綜合以上方法，將mAP (mean Average Precision)提升1%，同時模型參數量卻下降24.5%，模型計算量GFLOPs (Giga Floating Point of Operations)也降低13.7%。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 全向移動平台結合機械手臂動態物件追蹤(2024) 邱軒博; Chiu, Hsuan-Po全向移動平台（Omnidirectional Mobile Platform）是一種具有全方向移動能力的移動平台，比起傳統的四輪平台更加靈活且複雜。本文自行設計此移動平台並結合機械手臂與影像辨識系統，並整合軟、硬體功能，最後使其能夠模擬一些簡單的人體動作。在機械手臂方面，描述了手臂的運動模型，取得末端的位置座標；在影像辨識上，利用雙目測距取得球體的世界座標；再將機械手臂與雙目估計的座標整合，最後透過拋物線運動方程式以及類神經網路預測其落點。最後通過實驗結果證明所提出的方法可以整合不同的座標系，且可以追蹤球體的座標，及時回傳並移動到預測落點的位置，再控制機械手臂到實際球體落下位置完成接球動作。Item 彩色電子紙廣告看板的資料壓縮方法(2024) 余祐誠; YU, Yu-Cheng本文探討了多粒子彩色電子紙廣告看板的資料壓縮方法。隨著電子廣告看板尺寸的擴大，儲存顯示影像所需的緩衝記憶體和閃存容量也隨之增加。由於彩色電子紙具有特定的顯示機制，目前的影像壓縮方法並不完全適用於這種應用。因此，本文提出了一種高效的彩色電子紙圖像壓縮方法，此方法具有簡單的解壓縮機制，能顯著降低設備端解壓縮晶片的成本。同時，在保持影像品質的前提下，儲存影像所需的記憶體空間也得到了顯著減少。解壓縮功能已在FPGA上完成驗證，結果顯示其效能與使用多核心CPU的電腦計算結果相近。