0256 Classification of Piezoelectric Signals from PVDF/Graphene Membrane Sensors Using K-mer-based Sensing Recognition (KSR)
Chih-Ho Yeh, Sathishkumar Subburaj, Wei-Song Hung, Ching-Yuan Chang and Po Ting Lin
In recent years, wearable sensors and their sensing recognition system getting great concern for a wide range of applications. However, a large amount of data is requiring for sensor data analysis based on pattern recognition. At the same time getting and classifying data takes a lot of resources both time and human. Therefore, increasing the amount of data and interacting with the data that has been already collected can enhance the efficiency of data. K-mer based pattern recognition is one of the most advanced features for analyzing the sensor data. It cuts a string of DNA sequences into several segments along the length of K and examines the accuracy of the result. This research develops a method for sensor data augmentation based on the characteristics of a K-mer-based pattern. In this paper, we designed a curved shape flexible piezoelectric sensor which holds a highly aligned polyvinylidene fluoride (PVDF)/graphene composite film as a piezoelectric active component. This wearable sensor is used to monitor a variety of human movements include hand compressing, neck bending, Wrist bending, wrist-twisting, and put and hold. The K-mer is utilized to calculate the two-dimensional features of each action and perform Support Vector Machine (SVM) and Random Forest classification. In order to increase the number of samples, cutting the data into several numbers of parts like 2, 5, 8, 11, 14, 17 and 20. Herein, the data augmentation is conducted with different parameters in the classification of SVM and Random Forest based on changing the parameters include test percentage, C (penalty coefficient), n_estimators (number of decision trees), max_depth (maximum depth of decision trees). As a result, under limited data conditions for both SVM and random forest action classification, the accuracy rate is highest when the data is divided into 20 samples. The combination of parameters is test percentage = 0.2, C= 1000; test percentage = 0.2, n_estimators = 1000, and max_depth = 100 and this combination of parameter gives the best accuracy rates of 93.8% and 91.1%, respectively.
| |
0260 建物裂縫量測的三維光學檢測系統
郁翔 陳, 柏儒 邱, 孟鴻 何, 敬源 張, 光晏 劉 and 柏廷 林
一些傳統的建物檢測仍需要仰賴專業人員的近距離檢視,這些工作具有危險性且耗時,近年來隨著無人載具的快速發展,一些建物檢測任務開始從人員檢測轉為載具檢測。本研究在無人飛行載具上安裝雙目視覺深度相機,拍攝混凝土橋梁的表面裂縫,藉由影像處理及點雲分析技術,進行裂縫辨識及量測。本研究使用雙目視覺深度相機拍攝橋梁表面,取得檢測的二維圖像及三維點雲,如圖一所示,透過點雲過濾、估計檢測平面函數、二維圖像中裂縫特徵辨識、三維裂縫點雲轉移至垂直檢視方向、進行最終裂縫幾何特徵量測等步驟,能夠順利地將歪斜角度小於40度內拍攝到的二維及三維橋梁裂縫資訊,進行分析及量測,達到量測誤差低於6%的精度。本技術的優勢在於其能夠自動化辨識橋梁裂縫並將其轉至垂直方向進行量測的高度適應性。
| |
0308 無人機夜間探測與辨識研究
彥宏 陳 and 博浚 溫
近年來在視覺與辨識等相關研究上,常見以機器人、無人車、無人機作為移動平台利於掃瞄範圍、座標定位,以此獲取四周環境資訊並進行分析。但在夜間狀態下,視覺無法明確判別物體的存在,然而光達可透過雷射掃瞄而不受光線影響,因此本研究以光達作為感測器主軸,以探測夜間環境資訊及辨別物質。光學雷達具有快速掃描物體表面之三維座標的優點,可每秒獲取數千至數萬的點資料,這些點資料隱含著物體表面之特徵,透過數學函數及向量分析使物質特徵顯現,根據特徵結果可定義並分類物件。有鑒於光達的點資料量過於龐大問題,導致三維圖無法立即判定物體範圍、特性,若透過人工的方式篩選涵蓋之範圍將消耗過多的時間與精力,甚至會有人為因素所產生的誤差情況,如何自動分類物體的有效區域範圍以進行物質分析,是一個很關鍵的議題。所以本研究先將點資料進行網格分割,根據不同物質間之鄰近網格會有些許的落差,因此所形成的夾角會不同於同物質之間的鄰近網格,透過角度的差異可分割出物體之邊界,作為物質涵蓋範圍之判斷依據。接著再利用Density-based spatial clustering of applications with noise (DBSCAN)演算法,藉以密集程度為主的聚類分析,以每個點資料作為核心向外搜索,搜索圓圈內所囊括的鄰近點將歸類為同個群集,可有效將移除邊界的點資料進行自動分類,以此可明確掌握物體所涵蓋之點資料範圍。基於不同的材質其表面粗糙度會有所不同,其點資料為具有起伏的散佈量,因此以點資料所建立的擬合面可分析物體之表面特徵,點資料到擬合面的距離值可以計算出均方根誤差,根據不同的均方根誤差可作為辨別物質的依據。本研究測量 8 種不同材質的物體,並計算出其對應之均方根誤差及密度。由實驗結果可以發現,不同的材質有一定範圍之均方根誤差值,透過標準差可推斷其範圍區間,再以人工智慧演算法進行運算,歸納出每項物質之均方根誤差範圍並定義,並成功的辨識出這8類物體。其效益可在地貌探測下分析其物質,且不受光線不足所影響,更可以減少探測所需成本,以增強感測技術的提升。
| |
0309 海洋油污污染感測與分析研究
威融 林, 家楷 顏 and 博浚 溫
台灣屬於一個四面環海的海島國家,近幾年來,地方政府積極在漁港內設置廢油收受設施,並定期清理,也定期辦理漁港環境巡查工作,但不可諱言,漁港內漁船(或加油站)漏油、清洗排油事件,還是屢見不鮮,海洋的油污汙染問題才逐漸被大家重視。油污對於人體和生態有很大的危害,若吸入或吃入這些有毒化合物,這些有毒化合物會轉變成毒性更強的物質,並傷害DNA,可能導致生育力降低、致癌或其他問題。油污與海水在透過陽光照射後,由於比熱不同會造成吸熱差異,因此能在溫度上呈現一定差別。本研究以此理論為出發點,建立一套以紅外線熱影像儀量測港口海面上的油污厚度的研究方法。首先需將熱像儀的像素解析度轉換為溫度資訊,並且以矩陣方式呈現,後續再以LabVIEW進行一系列的分析,在量測面積約為1 m^2的範圍內統整一個監測點油污所占之多寡,並且藉由大氣溫度、油溫、水溫、風速等等一系列天氣資訊推導出油污厚度公式,利用建立好的熱影像溫度資訊查找油的溫度分布圖,找出最高溫度為油溫,最低溫度為水溫。本實驗製作一個直徑3公分的圓環,並滴入3 ml的油,油會填滿整個圓環,再經由熱像儀拍攝下,圓環的熱影像為385像素,利用固定好的油厚和像素點來推算出白天油污公式真實的太陽輻射,而夜間油污公式則推算出真實的一公里高之總雲量分布。在油污厚度及油污百分比分析中,利用已知油污體積的實驗試驗,作為貝氏倒傳遞神經網路演算法進行建模數據,最終完成港口油污厚度百分比量測。本研究類神經網路會以氣象局觀測站的太陽輻射、相對溼度、氣溫、風速、日照時數、月、日、時當作輸入,實驗中推算出的太陽輻射為輸出,並利用所得到的太陽輻射帶入白天油污公式,取得油污厚度,最終實驗結果可達到7 %的平均絕對值誤差百分比。油污百分比是藉由熱像儀熱影像拍攝範圍中油污所占的像素數目,分析出所占的油污百分比。透過油污自動化感測技術,將可以提供港口汙染資訊,並透過汙染清除機制將可維護港口海水品質。
| |