臺灣博碩士論文加值系統

科技的進步為生活帶來許多的便利，現今生活中數字辨識技術已逐漸普及，最常看到的是用在停車場或道路科技執法區間測速的車牌辨識，而戰鬥機之抬頭顯示器是測試評估中獲得數據的重要來源，現必須人工抄錄相關資訊，極為耗時，而本研究欲藉PYTHON及卷積神經網路建立辨識系統，辨識戰鬥機抬頭顯示器上之重要參數，並將數據匯入資料庫，減少人工抄錄耗時及人為筆誤機率，最後請專家協助試驗系統並進行訪談，最終本研究使用44張圖片，指示空速表以多層感知器及卷積神經網路建立之系統辨識正確率皆達100%；氣壓高度表以多層感知器建立之辨識正確率僅有50%，以卷積神經網路建立之辨識正確率達97%，評定以卷積神經網路建立之系統為一可接受且可實際協助相關專業人員收集相關參數。
關鍵字：數字辨識系統、人工智慧、抬頭顯示器、卷積神經網路。

The advancement of technology has brought many conveniences to life. Figure recognition technology is becoming more and more common in today's life. Most commonly seen in parking lots or in road technology enforcement areas for speed detection. The head-up display of a fighter is an important source of data for testing and evaluation. It is now necessary to transcribe the information manually, which is extremely time-consuming. In this study, the PYTHON and Convolutional Nerve Network (CNN) are used to establish the identification system. Identify important parameters on the fighter head-up display and importing data into the database. Reduce time consuming manual transcription and human error rates. Finally, we asked the experts to help test the system and conduct an interview. 44 pictures were used in the final study. 100% accuracy of system identification using multi-layer perceptron and convolutional nerve network. The altimeter has a recognition accuracy of only 50% for multilayer perceptron and 97% for convolutional nerve networks. Evaluate a system built over a convolutional neural network as an acceptable and practical way to assist the relevant professional in collecting relevant parameters.
KEYWORDS：DIGITAL RECOGNIZATION SYSTEM、ARTIFICIAL INTELLIGENCE (AI)、HEAD-UP DISPLAY (HUD)、CONVOLUTIONAL NERVE NETWORKS (CNN)。

第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 3
第三節 研究範圍 4
第四節 研究流程與論文架構 5
第二章 文獻探討 8
第一節 國軍武獲流程與測試評估作業簡介 8
第二節 人工智慧發展歷史 10
第三節 國內數字辨識發展 14
第三章 研究系統建構 28
第一節 系統硬體架構、開發環境及工具 28
第二節 深度學習訓練流程 33
第三節 研究主體簡介及辨識系統建置 42
第四節 專家試驗及訪談 47
第四章 研究結果 49
第一節 卷積神經網路訓練結果 49
第二節 數字辨識及儲存結果 53
第三節 專家訪談結果 64
第五章 結論與建議 66
第一節 研究結論 66
第二節 未來研究與發展建議 67
第三節 研究限制 69
參考文獻 70
附錄 一　訓練樣本圖片處理程式碼 75
附錄 二　訓練樣本擷取辨識區程式碼 76
附錄 三　空速表及高度表重新調整尺寸程式碼 77
附錄 四　訓練樣本擷取數字區塊程式碼 78
附錄 五　建立及訓練卷積神經網路（CNN）程式碼 79
附錄 六　建立及訓練多層感知器（MLP）程式碼 80
附錄 七　預測樣本數字程式碼 81
附錄 八　影片自動擷取成圖片程式碼 82
附錄 九　匯入MYSQL資料庫程式碼 83


表目錄
表 1　數字辨識技術與應用研究文獻整理 16
表 2　系統硬體規格表 28
表 3　CNN指示空速表訓練結果 50
表 4　CNN氣壓高度表訓練結果 52
表 5　MLP指示空速表數字辨識結果 54
表 6　MLP氣壓高度表數字辨識結果 56
表 7　CNN指示空速表數字辨識結果 58
表 8　CNN氣壓高度表數字辨識結果 60
表 9　辨識正確與錯誤圖片對比表 61
表 10　CNN辨識結果資料庫 63
表 11　專家訪談名單 65
表 12　MLP與CNN準確率比較表 67
表 13　各研究辨識正確率綜整表 67


圖目錄
圖 1　論文架構圖 7
圖 2　機器訓練與預測模型 12
圖 3　人工智慧關係圖 14
圖 4　MLP神經網路模型 23
圖 5　卷積神經網路架構 25
圖 6　池化層運作示意圖 26
圖 7　MLP及CNN神經網路模型 26
圖 8　ANACONDA PROMPT畫面 30
圖 9　ANACONDA NAVIGATOR畫面 30
圖 10　轉換圖片尺寸及訓練樣本處理流程 34
圖 11　HUD辨識區示意圖 35
圖 12　擷取辨識區域流程 35
圖 13　指示空速表 36
圖 14　氣壓高度表 36
圖 15　建立機器學習分類文字庫流程 37
圖 16　建立卷積神經網路模型流程 39
圖 17　建立多層感知器模型流程 40
圖 18　訓練模型流程 41
圖 19　預測流程 41
圖 20　系統建置流程圖 43
圖 21　截取圖片流程 43
圖 22　實測圖片處理流程 45
圖 23　擷取指示空速表示意圖 45
圖 24　擷取氣壓高度表示意圖 45
圖 25　數字辨識流程 46
圖 26　設定及匯入資料庫流程 47
圖 27　指示空速表CNN訓練LOSS折線圖 51
圖 28　指示空速表CNN訓練ACC折線圖 51
圖 29　氣壓高度表CNN訓練LOSS折線圖 53
圖 30　氣壓高度表CNN訓練ACC折線圖 53
圖 31　MYSQL WORKBENCH檢視資料庫畫面 62

中文文獻
1.文淵閣工作室（2019）。Python機器學習與深度學習特訓班：看得懂也會做的AI人工智慧實戰。臺北市：碁峰資訊股份有限公司。
2.曲建仲（2019）。AI人工智慧時代來臨。科學月刊。580（4）。
3.李建興、游凱倫、林應璞（2010）。即時動態車牌辨識。技術學刊。25（2）。151-165。　
4.吳悠（2019）。基於樹莓派與深度學習實現車牌辨識系統之研究。淡江大學資訊工程學系碩士論文。新北市。
5.吳梓豪（2019）。以Python實作多元入學學生之流失率與學業表現的分析。南華大學資訊管理學系碩士論文。嘉義縣。
6.周天蔚（2019）。細說車牌辨識原理與市場。臺灣電信月刊。108（7-8）。13-27。
7.空軍司令部（2010）。空軍主要武器系統作戰測試評估教範。臺北市：空軍司令部。
8.空軍測評戰研隊（2018）。效益性分析人員作業手冊。臺中市：空軍測評戰研隊。
9.范麗娟（1994）。深度訪談法簡介。戶外遊憩研究。7（2）。25-35。
10.前瞻基礎建設 ─城鄉建設改善停車問題計畫（2017）。臺北市：交通部。
11.張財榮、賴建庭（2007）。混合類神經網路應用於影像車號辨識。資訊科技國際期刊。1(1)。100-111。
12.陳柏宇（2020）。基於深度學習卷積神經網路之咖啡瑕疵豆辨識方法。國立雲林科技大學電機工程系碩士論文。雲林縣。
13.陳奕志（2005）。建構嵌入式車牌辨識系統。淡江大學資訊工程學系碩士班學位論文。新北市。
14.陳冠宏（2014），以具有專家模型的模糊系統應用於機車車牌辨識，華梵大學電子工程學系碩士論文。新北市。
15.國家機密保護法，2019年5月10日。
16.陳國棟、王漢傑（2017）。美國國家試飛員學校作戰測試評估班出國報告。公務出國報告（編號：C10700136），未出版。
17.曾士豪（2016）。自動化車牌辨識系統。國立交通大學電控工程研究所碩士倫文。新竹市。
18.溫晴翔、陳肇業（2011）。汽機車之車牌辨識系統研究。明新學報。37(1)。1-13。
19.葉濬緯（2018）。車牌辨識之應用。淡江大學資訊工程學系碩士論文。新北市。
20.熊正一、林炎成（2018）。智慧停車的發展趨勢及前景。土木水利期刊。45（2）。47-50。
21.維基百科，搜索：卷積神經網路。取自：https://zh.wikipedia.org/wiki/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C。
22.鄭至傑（2010）。預測修正法使用Python在分散式計算環境問題的探討。中華大學應用統計學系碩士論文。新竹市。
23.蕭伯瑋（2018）。應用深度神經網路與集成學習於語音情緒辨識。國立中山大學資訊工程學系碩士論文。高雄市。
24.羅義春（2006）。主要武器系統獲得中自製決策關鍵成功因素之研究。國防大學後勤管理研究所碩士論文。臺北市。




 
英文文獻
1.BAO Sude. Detection of ocean internal waves based on Faster R-CNN in SAR images. 海洋湖沼學報（英文版）. P.55 – 63. JAN 2020.
2.Guido van Rossum. Foreword for "Programming Python" (1st ed.). Programming Python. 1996. 取自： https://www.python.org/doc/essays/foreword/ 。
3.Janez Demsar, Tomaz Curk, Ales Erjavec, Crt Gorup, Tomaz Ho cevar, Mitar Milutinovic, Martin Mozina, Matija Polajnar, Marko Toplak, Anze Staric, Miha Stajdohar, Lan Umek, Lan Zagar, Jure Zbontar, Marinka Zitnik & Blaz Zupan. Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research. 14. 2013.
4. Kunihiko Fukushima. Neocognitron A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics. Vol. 36, P.193–202. 1980.
5.Michael H. Kalmanash. Digital HUDs for tactical aircraft. The International Society for Optical Engineering. Proceedings of SPIE Vol. 6225. 2002.
6. Xing-Gang Wang. Weakly- and Semi-Supervised Fast Region-Based CNN for Object Detection. 計算機技術科學學報（英文版）. P.1269 – 1278. JUN 2019.
7.Yann LeCun,Leon Bottou, Yoshua Bengio, and Patrick Haffner. GradientBased Learning Applied to Document Recognition. Proceedings of the IEEE. Vol. 86. Issue 11. Nov. 1998.