學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73890
Browse
6 results
Search Results
Item Item 基於暗通道先驗之疊代神經網路應用於低光圖像增強(2022) 劉晟岳; LIOU, Cheng-Yue本論文研製一新穎的架構。稱為疊代低光影像增強網路，它使用暗通道先驗來增強低光源影像。我們透過觀察得知負片後之低光影像類色彩分佈似於含霧影像。因此，本論文所提出的架構遵循這個假設來恢復低光圖像。此外，我們還使用灰度世界算法來改善色彩偏移的問題。通過疊代，本架構可以得到亮度足夠的前處理影像。隨後，本論文使用自動編碼器進一步提高最終輸出影像的質量。由實驗結果可以表明，所提出的此方法可以處理各種光照條件，並且輸出效果優於現有方法。由所進行的實驗可以證明，提出之輕量化架構不僅減輕硬體設備之負擔還可以顯著提高物件偵測的性能，以便後續與高階電腦視覺任務的配合。Item 結合雙AI晶片與熱成像溫測模組之自動目標搜索與溫度量測系統(2022) 沈方靖; Shen, Fang-Jing本論文提出一種自動搜索目標系統，使用雙人工智慧邊緣型運算處理器結合紅外線熱成像感測器，並透過步控制進馬達來實現自動搜索目標且掃瞄範圍擴增的人體溫度測量設備。本文首先回顧深度學習及類神經網路對於影像辨識的起源以及其應用性，並探討邊緣型處理器對於人形偵測的可行性，再根據此基礎發想出測量人體溫度之應用。而後介紹本論文主要系統架構及硬體設備，使用Mipy深度學習AI開發板配合多種感測裝置，來達成AI目標辨識及環境訊息的測量。本系統架構建立於模型本身的可靠性，針對模型訓練的部分有加強描述：從目標圖片的選取及拍攝、訓練過程的流程改善及參數調整、及最後模型在實驗環境的誤判修正。接著將訓練好的模型載入雙Mipy深度學習AI開發板，並制定一套演算法，協調各微處理器間的交互關係，達成快速掃描且穩定測溫的功能。最後針對多個實際場景，驗證本論文所描述之目標以及該架構反應速度與正確性。Item 高性能之輕量級卷積神經網路之設計(2021) 周世耀; Jou, Shyh-Yaw因深度學習強大的分析能力，其時常被用做影像辨識與物件偵測的工具。時至今日，已有許多基於深度學習方法的著名模型被提出，例如：SENet、EfficientNet、Densenet、MobileNet、ResNet、ShuffleNet、GhostNet、Yolo等。深度學習模型的性能主要可從4個層面進行探討，分別是參數量，資料分析能力、處理資料的速度以及模型的泛用能力。一般而言，模型能在上述4個層面都表現優秀是很困難的。在本論文中，我們設計出一各性能皆優秀的深度學習模型―ExquisiteNetV2。我們選用了15個具公信力的影像辨識資料集以及1個物件偵測資料集進行實驗，並以上述提到的著名模型做為比較對象。我們分別使用兩種不同的權重更新法做實驗，根據實驗結果，無論使用何種權重更新法，在超過一半以上的資料集中，ExquisiteNetV2的分類正確率都是第一名。ExquisiteNetV2的參數量遠少於其他模型，但資料分析能力以及運算速度卻優於其他模型，因此，ExquisiteNetV2是一種高性能之輕量級卷積神經網路，可通用於影像分類與物件偵測之應用。Item 輕量化車牌辨識模型(2021) 許博翔; Hsu, Po-Hsiang近年來，深度學習的技術被廣泛的應用在智慧交通的發展，車牌辨識系統成為智慧交通中不可或缺的技術。車牌辨識系統能應用於智能城市的車輛管理、竊盜車輛調查、犯罪車輛追蹤和交通監控。舉例來說，以往警察透過人工觀看監視器影像來追蹤犯罪車輛，人工觀看的方式需要耗費大量的時間與人力，而使用車牌辨識系統能快速的搜尋大量監視器影像裡的目標車輛，如此一來能減輕人力的負擔和節省大量的追蹤時間，提高破案的效率。現代車牌辨識系統的技術已經非常成熟得應用於智慧停車場、交通收費系統等場域，但想運用在路口的監視器影像仍會面臨許多問題，其中包括監視器拍攝角度、光源條件、車輛移動造成得模糊、複雜的道路環境和過多得交通號誌與廣告招牌。車牌辨識系統可以分成兩個階段，第一階段是從影像中找到車牌得位置，第二階段則是辨識前一階段找到的車牌影像。本論文僅探討第二階段的車牌字元辨識，車牌字元辨識有兩個主要的目標，第一個是找到車牌字元的位置，第二個是辨識字元的類別。傳統的車牌辨識必須先切割出字元位置才能做後續的字元辨識，所以我們使用物件偵測的概念設計了一個輕量化的車牌辨識模型，使用物件偵測的概念可將字元切割和字元辨識的任務整合在一起，只需要一個網路模型就能找出字元位置並辨識字元的類別。本論文使用的資料集是我們自己製作的台灣車牌資料集，影像都是由我們在台灣街道上拍攝不是在網路上搜尋的照片。我們也特別挑選模糊、反光、昏暗情況的車牌照片豐富我們的資料集。整個資料集總共含有 3753張照片包含訓練用的3131張照片和測試用的622張照片，而測試的照片是偏向模糊和昏暗的情況。最後實驗的結果顯示我們模型的GFLOPs只有4.91，但map0.5能達到89.62。Item 以適應性門檻值為基礎應用於物件偵測之 強化切割演算法(2011) 陳俊廷; Chun-Ting Chen物件偵測演算法是應用於智慧型影像系統中的基礎研究，尤其大量被用於智慧型監控系統與智慧型傳輸系統上，目的在於透過有效的偵測物件，使其資訊能夠提供給物件追蹤或辨識等相關應用，提升系統之效能，一般而言，大部分的研究常使用背景相減法，利用畫面之間的差異來擷取物件，而這樣的方式通常需要訂定門檻值將影像中的資訊分類，可是在傳統的作法中，此門檻值通常為定值，所以常需要因為測試環境的不同而重新定義，此外，陰影成份也是一項影響物件偵測演算法準確率的因素之ㄧ，所以在將影像資訊分類後，必須再透過陰影去除相關之演算法，將陰影成份去除以取出正確的物件資訊，所以在本論文中，我們提出一個根據陰影成份的特性分析，以像素點為基礎，個別定義其適應性之門檻值應用於物件偵測之演算法，使物件切割與陰影去除的動作，只要透過一個步驟的強化切割演算法，便能夠即時處理並準確的偵測物件，並且能夠將陰影成份的干擾降到最低，使偵測出來的物件資訊能夠更加的與實際物件吻合，實驗結果顯示，即使是在室內、戶外或是雨天的環境下，透過我們所提出的方法也都能夠快速並有效的偵測物件。