理學院
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3
學院概況
理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系（均含學士、碩士及博士課程），及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所，另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人，陣容十分堅強，無論師資、學術長現、社會貢獻與影響力均居全國之首。
特色理學院位在國立臺灣師範大學分部校區內，座落於臺北市公館，佔地約10公頃，是個小而美的校園，內含國際會議廳、圖書館、實驗室、天文臺等完善設施。
理學院創院已逾六十年，在此堅固基礎上，理學院不僅在基礎科學上有豐碩的表現，更在臺灣許多研究中獨占鰲頭，曾孕育出五位中研院院士。近年來，更致力於跨領域研究，並在應用科技上加強與業界合作，院內教師每年均取得多項專利，所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。
在科學教育研究上，臺灣師大理學院之排名更高居世界第一，此外更有獨步全臺的科學教育中心，該中心就中學科學課程、科學教與學等方面從事研究與推廣服務；是全國人力最充足，設備最完善，具有良好服務品質的中心。
在理學院紮實、多元的研究基礎下，學生可依其性向、興趣做出寬廣之選擇，無論對其未來進入學術研究領域、教育界或工業界工作，均是絕佳選擇。
Browse
8 results
Search Results
Item 線上學習者分心行為偵測研究(2023) 戚祐寧; Chi, Yu-Ning當我們從事重要的事情時，保持專心與集中精力至關重要。舉例來說，當駕駛車輛時，如果不專心駕駛不僅可能造成交通事故，還有可能導致人身傷亡和財物損失。再者，對於醫生來說，在進行手術時也必須保持專注，因為任何的分心都有可能導致嚴重的醫療錯誤，造成不必要的傷害。此外，在學習方面，當學生在讀書時，如果不能保持專心，可能會錯過重要的概念，影響其學習效果。本研究以線上學習者行為偵測為例，藉由電腦內建鏡頭拍攝學生上課情況，透過偵測發現課堂中常見的不專心行為。本研究提出以人臉偵測判斷影像中學生是否坐在座位上，並藉由頭部姿勢及眼睛視線判斷學生是否保持專注;同時使用哈欠偵測確認學生疲憊情況。此外，針對學生上課電腦螢幕進行場景偵測，自動辨別課程段落，進而探討學生是否專心於課堂。 本研究的實驗資料源自於本校研究所六名研究生協助拍攝的實際線上課程學習影像，通過實驗驗證各項行為偵測方法及整體可行性。實驗結果顯示，系統在整體學習專心程度偵測的準確率為 88%，由此可知，本研究方法能有效地偵測出線上學習者的專心與不專心。因此，本研究將進一步針對各受試者及各課程進行深入探討。Item 基於聚類之影片人數計數分析(2021) 簡郁璇; Chien, Yu-Shuan近年來科技日新月異的發展，多媒體串流影片服務平台更是不可勝數，各式各樣的影片上傳到各個影音平台作為影音串流服務，使用者經常利用電子產品來觀看喜愛的電視劇或影集，若要針對影片進行語言學習，則必須自動挑定影片中某位主角所有的畫面與台詞，然而自動擷取以便進行練習，因此，本研究進行影片中人物的分群分析。傳統判別影片中人物的研究，都需要事先輸入主角人臉圖像，提取人臉特徵作爲人臉庫，進而將偵測到的人臉與人臉庫特徵比對，才能得到比對結果，然而如果沒有一開始的主角人圖像，便會無法預測影片中的人物，因此本研究探討在無監督訓練條件之下，針對影片進行人臉聚類（face cluster）將一部影片中的人臉分成為不同簇（cluster）之後，並且尋找聚類中心（centroid）作爲質量最高的圖像，透過人臉檢索（face retrieval）的方法採用上述聚類中心作爲人臉庫，即可分析影片中主角之人臉特徵與人臉庫進行比對。透過本研究所提出合併Facenet、Chinese-Whisper聚類、Annoy三種技術，以四部影集的不同場景內容環境作為實驗情境，在影片人數為五人內人臉偵測準確率達95.3%、十人內人臉偵測準確率達87.9%、十五人內人臉偵測準確率達82.7%。由於人臉經由時間會有不同變化，根據實驗結果，使用第一年的主角人臉庫進行偵測已經經過四年的影片，此人臉偵測準確率仍能維持81.8%。本研究聚類方法在LFW公開資料庫上高於 K-means、DBSCAN 聚類方法，代表聚類後的簇類與真實類別的吻合度相近。Item 應用於遠距教學之學習專注程度偵測研究(2020) 陳文賢; Chen, Wen-Xian本研究進行學習專注度偵測的研究，藉由專注度偵測降低因為不專注導致學習進度的落後，並且將研究應用在較需要偵測專注度的遠距教學環境。本研究提出藉由人臉偵測和機器學習判斷影片中每張影像人臉的視線位置，透過發呆偵測以及臉部位移偵測取得動作資訊，使用影像分段處理以及滑動窗口處理連續性的影像，將影片的每個區段判斷成專心或不專心的狀態。 實驗資料來源包括高中補習班補課以及大學遠距教學兩種不同類型的學習影片，實驗結果發現專心行為判定的準確度為93%，不專心行為判定的準確度為81%。由結果得知本研究方法能有效地偵測到出現不專心行為的時間，透過臉部位移偵測方法也能避免做筆記的行為被判定為不專心。Item 以Graph cut演算法為基礎的連續影像人臉偵測系統(2012) 郭俊麟; Jiun-Lin Guo本論文提出一套可在各種教室情境中運作的人臉偵測系統，偵測對象為教室中的多名學生，主要應用在自動教室觀察與記錄系統中。本研究採用顏色做為人臉偵測時的特徵，且利用graph cut技術做為人臉偵測時主要的方法。 以顏色為特徵的人臉偵測有著較不受頭部轉動和傾斜影響的優點，因為在頭部轉動和傾斜時，膚色依然在人臉中佔有一定比例的面積；至於眼睛、嘴巴和鼻子等其他人臉特徵在頭部轉動和傾斜時(尤其是轉動)在影像中較不穩定。這個顏色特徵的優點對於在教室中進行自動人臉偵測來觀察與記錄學生的行為有很大的幫助，因為在課堂中學生頭部的姿勢變化常常都是有意義的，如疲憊時打瞌睡、表示贊同時點頭或心不在焉時將人臉轉向他處等，而這些變化也往往是教學觀察者們(教師、研究人員)所關心的現象。因此，本系統若能夠在各種頭部姿勢狀態下做人臉偵測，就能夠更進一步地去分析這些姿勢變化和其所代表的意義。 利用顏色特徵來偵測人臉必須選擇一個適當的色彩空間，並且決定人臉的膚色在該色彩空間中的範圍。然而，這類作法常會遇到兩個問題，一是不同的光線以及人種需定義不同的膚色範圍，二是在教室中有許多物體顏色接近膚色(如原木色課桌椅)，會降低人臉偵測的正確率。針對第一個問題，本研究提出一個動態的膚色範圍定義方式；而為了解決第二個問題，本研究提出一個穩定的方法在影像中擷取前景(即學生的部分)。此方法結合單點建模與graph cut的技術，可以得到完整不破碎的前景，在前景的範圍內擷取膚色，避免類膚色背景的干擾。 另一方面，利用膚色在Hue色彩空間中高度集中的特質，本研究再次以graph cut技術優化膚色區域的偵測結果，統計收集到的膚色像素、動態更新膚色範圍，以提高偵測的穩定性。 在實驗時，本研究架設單一攝影機來擷取影像，每張影像中均包含4~6位學生。本研究假設初始教室沒有學生，系統首先進行背景建置，待學生進入教室，系統偵測到影像中有前景出現後，便會開始進行人臉偵測。實驗結果顯示，本研究提出的人臉偵測技術，較不受各種頭部轉動和傾斜角度之影響，並且能夠在低解析度影像下，維持高準確率。Item 基於背景模型的姿勢判斷系統(2011) 李振遠; Chen Yuan Lee姿勢辨識在電腦視覺領域中，特別是針對人體部分是項越來越重要的議題，涵蓋的範圍可分為：手部與手臂的姿勢辨識、頭部與臉部姿勢辨識、整個身體姿勢辨識等種類。在姿勢辨識的問題中，一個很大的瓶頸在於如何在複雜環境下取得所需要的特徵資訊，並且選擇適當的方法將這些資訊完成姿勢辨識。本論文主要目標是在真實的教室裡並且只有一台攝影機拍攝下，能即時(real-time)辨識出講者的手臂姿勢來達到控制投影片的效果，所提出的方法能讓講者在教室投影機照射下，穩定並不受投影機照射並且背景隨著投影片的換頁變化影響下抓取需要的資訊來進行辨識。本論文使用高斯混合背景模(Mixture of Gaussian background model)來擷取出前景(foreground)的輪廓(silhouette)影像，並使用連通元(connected component)將前景輪廓的特徵資訊截取出來，並套入支持向量機(Support Vector Machine，SVM)對手臂動作進行分類。此外，搭配人臉偵測(face detection)方法能分辨出左右手，達到不同手部動作來控制投影片的效果。Item 可應用於一般課堂環境中之人眼開闔狀狀態研究(2013) 盧姿卉眼睛開闔辨識是電腦視覺的一個重要技術，能夠在生活中發展成多種應用，大部分的眼睛狀態偵測，環境皆屬於背景較為單純、近距離以及頭部晃動不大的情形，像是汽車駕駛疲勞偵測系統，然而本研究希望能將眼睛開闔辨識應用於一般課堂環境中，因此需要解決在有光線干擾及遠距離低解析度下的環境中，仍能快速且有效辨識眼睛的開闔狀態。 本研究之方法共分成三個部分，分別是人臉偵測、眼睛區域決策，最後則是眼睛狀態辨識。首先對影像做人臉偵測，接著將做完前處理的臉部影像利用局部取像的方法得到眼睛的大致位置，再利用水平投影及垂直投影找出眼睛精確的範圍及位置，最後本研究利用開闔眼睛影像輪廓複雜度之差異設計一套新的特徵擷取方式，並搭配已事前訓練過的SVM模型來判斷眼睛的開闔狀態。 無論是近距離或是遠距離實驗，由實驗結果可證明出在相同的辨識率下，本研究所設計之特徵擷取方式比複雜度函數的方法能判斷出的開閉眼資料比例多，因此整體的執行時間可以降低，也證明了本篇方法的可用性，除了開閉眼整體辨識率皆可達到84.9%以上，且隨著門檻值的調整，執行時間也可比單純用SVM快了1.5至3倍，時間上的減少能帶給本系統很大的效益。Item 結合臉部表情及聲音之嬰兒情緒辨識系統(2015) 馬仲文; Ma, Chung-Wen嬰兒的情緒發展會影響未來的學習力、注意力甚至於成長後的個性及人際關係，而在人一生的情緒發展中以嬰兒時期的情緒發展最為重要。所以若是能得知嬰兒目前情緒及生理需求並予以滿足，對未來發展影響甚大，然而嬰兒在1歲之前只能使用臉部表情及不帶詞意的聲音來向父母表達自己目前的情緒及生理需求。所以本論文開發一套結合嬰兒臉部表情及聲音的監控系統，適時協助轉達嬰兒情緒，以減輕父母照顧嬰兒的負擔，更幫助父母妥善的照顧嬰兒。 本系統一開始分成兩部分執行，一部分為影像部分，另一部分為聲音部分。影像部分主要分為嬰兒臉部偵測及臉部特徵擷取，當系統讀入連續的嬰兒影像後，會從影像中擷取膚色區域並從這些膚色區域中找出嬰兒的臉部區域。接著採用local ternary pattern標示影像中嬰兒臉部輪廓，並進行差分影像累積，最後計算累積差分影像中0階至3階的Zernike moments值，當作嬰兒臉部特徵使用。而聲音方面利用常見的mel frequency cepstral coefficients與其差量倒頻譜係數當作嬰兒聲音特徵使用。最後利用support vector machine將影像及聲音特徵分別進行分類，並將兩者分類結果整合成嬰兒情緒類別。 實驗影片共有100段，其中每段影片僅包含單一情緒類別，合計影片長度為100分鐘，拍攝嬰兒之月齡為1個月至7個月，而嬰兒情緒辨識之平均正確率約為85.3%，由此可知，本系統的辨識結果具有一定的可信度。Item 駕駛者眼睛的眨眼偵測(2006) 林慧雯; Hui-Wen Lin交通事故死亡率總是佔國內前十大死因之一，其中肇事原因之一是因為駕駛者精神不集中而發生交通意外。故許多學者積極地在車內裝設偵測眨眼頻率的設備，以便預測駕駛者的精神狀態，若是想打瞌睡的時候，趕緊發出警告喚醒駕駛者。 本論文的目的在於使用一般攝影設備拍攝駕駛中的駕駛者，克服光線變化的問題即時從影像中偵測駕駛者眨眼狀況，以應用於偵測駕駛者的精神狀態。在偵測駕駛者眨眼狀況的過程中，主要可分成四步驟：臉部偵測、眼睛偵測、眼睛追蹤與眨眼偵測。首先從輸入的影像中，結合不同來源的色度偵測膚色的區域，快速地擷取駕駛者的臉部，並且使用邊線的資訊修復這個臉部，之後使用橢圓的資訊找出臉部真正的位置。在偵測到駕駛者臉部後，依據人臉比率找出眼睛的範圍，並在這範圍內根據膚色的資訊、眼睛的特徵以及連續數張影像的輔助，準確偵測出駕駛者的眼睛部分。接著使用眼睛的形狀與位置，在連續影像中追蹤眼睛的位置，並且同時利用顏色的資訊判斷駕駛者的眨眼狀況。