畢業生作品區

姓名/學號:許富雄/10653048
題目:以深度學習為基礎之仿人型機器手臂控制與研製
簡介:
本論文目的為實現一套以深度學習為基礎的機器手臂平台,主要探討現今流 行的深度學習技術如深度神經網路(Deep Neural Networks, DNN)、卷基神經網路 (Convolutional Neural Networks, CNN)間的差異,並以最近出現的生成式對抗網路 (Generative Adversarial Network, GAN)作為本論文主要研究方法,並利用上述三 種方法建立機器人運動學,以運動學角度分析的GAN 與傳統主流模型間的優劣。 在流程方面,本論文以四個部份進行,分別為機器人平台硬體、控制、資料 蒐集、深度學習建立運動學等。硬體部份由機器手臂與手臂平台組合而成,整體 共具備10 個自由度,手臂可在自建的運動空間做移動。機器人視覺部份則利用 Kinect v2 中的紅外線攝影機為主,透過自建的YOLO v3 模型並結合Kinect v2 內 建的深度感測器(IR projector)做目標物檢測,使機器人可以在平台中檢測出目標 物的空間座標(x, y, z)。 最後,機器人在將該目標物空間座標作為本論文GAN 運動模型的輸入,並 輸出一組機器手臂的關節角度,而機器人可透過關節角度移動,移動至目標物旁 將其抓起,完成一套擁有辨識能力之人型機器手臂平台。

姓名/學號:羅宇欽/10653042
題目:基於深度學習之腦小血管醫學影像病變檢測
簡介:
本論文的主要目的是基於腦部MRI影像以深度學習的方式建構一個可以檢測腦部小血管病變位置的系統,希望能夠提供更快、更準確的病變資訊,用來輔助醫師在進行腦部診斷時的決策。 現今醫師在進行腦部診斷時都需要透過腦部斷層掃描(Computed Tomogram,簡稱CT)或核磁共振(Magnetic Resonance Imaging,簡稱MRI)的影像來最為判斷的依據,而每一張影像都必須經由醫師自行判斷去找出病變區塊的大小與位置才能用來進行診斷,因此本論文利用卷積神經網路的架構,藉由分析腦部醫學影像判斷腦小血管病變的區塊,並且將找到的區塊進行醫學上的標注,最後透過系統輸出成一張新的影像,該影像上會顯示出標注的內容,包括病變區塊的定位、輪廓等資訊,透過本系統的方法用來減少醫師自行標注需要花費的人力與時間,也能夠用來做為醫師自行判斷後的輔助工具,用來審視並且減少誤判機率,進而能更快速且準確地提供給醫師用來為病患進行腦部診斷的資訊。 本系統的腦部小血管病變偵測目前已能成功找出8成以上的病變區塊,而偵測到的病變區塊在定位方面也有8成左右,病變區塊的輪廓方面也與醫師標注的樣子也有7成以上的相似,對於沒有能夠找到的病變區塊或是誤判的部分多數屬於標注上極小的部分,並不會出現過度標注的問題,這些實驗數據也證明了本論文使用的方法對於腦部小血管病變偵測這個醫學問題上是有效且可行的。

姓名/學號:顧祥龍/10653039
題目:深度學習之室內導盲輪型機器人研製
簡介:
本論文完成一個室內導盲機器人,在沒有全球定位系統(GPS)下完成室內導 航系統。本論文研究成果希望帶給視障者在不熟環境中能帶領至目的地。機器人 搭載一台筆記型電腦與深度攝影機,並且結合深度學習方法與馬達控制,實現以 深度學習與硬體為基礎之室內導盲機器人系統。 在軟體方面本論文在室內定位與導航中使用三種深度學習方法,收集約 67000 張室內場景,以 Convolutional Neural Network 進行分類並結合深度攝影機 (Intel Realsense D435)完成室內定位並完成路徑規劃,機器人移動時使用 WIFI 定 位確保沒有偏離道路,障礙物偵測方面使用 YOLOv3 進行預測,本機器人以 PSPNet 完成前方道路偵測,機器人除了能將視障者帶領至定點,也能保障行走 安全,並透過語音方式告知視障者障礙物距離視障者幾步,視障者可安全行走約 幾步。 在硬體方面本論文以三個高扭力直流馬達為建置基礎,搭載高運算設備,大 幅改善穿戴式導盲輔具的問題,本論文希望能以此機器人解決視障者在不熟悉的 室內環境中所遇到的尋路問題。

姓名/學號:潘辰/10753030
題目:多層自我組織映射圖應用於肺腫瘤病變檢測
簡介:
電腦斷層掃描(Computed Tomography,簡稱CT)被廣泛應用於醫療診斷,現今仍由醫生憑經驗用肉眼判別病變區塊,但在長期判別病變區塊之下,身心感到疲累之下會影響判別;另一方面,近年來深度學習(Deep learning)崛起,深度學習被廣泛用用到許多領域,諸如自動駕駛、車牌辨識、語意識別等;在醫療上,本論文期望能將深度學習應用於醫學領域,藉由深度學習輔助醫生辨識肺腫瘤,希望能給予醫生較為客觀的判別,以減少醫生判斷的時間並降低誤判率。   本論文所使用的網路架構是結合三層包含自我組織映射(Self-organizing Maps,簡稱SOM)與深度神經網路(Deep Neural Networks,簡稱 DNN)的神經網路,建立一個自動檢測並標註肺腫瘤的神經架構;本研究會對我們所提出的SOM-DNN架構做進一步說明,並說明此架構是如何標註肺腫瘤影像。   本論文所提出的檢測模型目前能找出近9成的腫瘤區塊,特徵判別的部分能找到約8成,肺腫瘤的形狀辨識則是能到近9成左右;模型整體架構的F1 score可以達到8成以上。