• 學位論文

精密機械設備代工廠轉型自有品牌策略分析－以W公司為例

本研究旨在針對精密機械設備代工產業轉型自有品牌的策略發展與過程進行討論，瞭解傳統精密機械設備代工企業在面臨國際政經發展改革及智慧製造轉型的壓力下，如何從夾縫中求得生存之道，成功轉型自有品牌。本研究採用個案研究法，以我國中小型精密機械設備代工企業為例，探討個案公司的企業資源及競爭力分析，並輔以訪談W個案公司發展過程中關鍵人物，運用歸納分析法深入討論個案公司從專業代工轉型OBM企業的關鍵因素與因應策略與手段，最後根據研究結果與發現提出具體的研究結論與建議。希望本研究結果及發現能有效提供未來學術研究、企業發展及政府相關管理單位擬訂政策之參考依據。

• 學位論文

基於超音波影像特徵之腫瘤偵測及邊緣擷取-以2D甲狀腺及3D乳房影像為例

欲在超音波影像上執行腫瘤的電腦輔助診斷，需要明確定義腫瘤的位置和邊界。然而，腫瘤本身的生物學特性、超音波成像的物理性質和品質、操作者的主觀認知與操作條件等種種因素，都使得辨識腫瘤的位置及邊界更加困難。 本研究的主題主要聚焦於超音波影像當中腫瘤的自動偵測以及邊緣分割。我們應用了兩種超音波影像：甲狀腺和乳房，分別應用於探討自動邊界分割和位置偵測的問題。我們將提出之方法應用於實際臨床案例的2D和3D超音波影像上，以評估所提方法之效能。 在邊界分割問題上，我們提出了一種新穎的半自動分割方法，使用Variance-Reduction的統計方法來對甲狀腺腫瘤的邊界進行分割，且不需對影像進行預處理。而在位置偵測問題上，我們提出了一種全自動電腦輔助偵測演算法，將two-phase merge-filter 演算法應用於自動三維乳房超音波影像。 研究結果顯示，我們提出的分割方法對於超音波影像上甲狀腺腫瘤的邊界分割是可靠且有效的。另外，我們提出的電腦輔助偵測系統具備極高的靈敏度，並伴隨相當低的偽陽性值，因而具有高度潛力成為自動三維乳房超音波影像的良好輔助工具。

• 學位論文

以編輯距離相似度及分群方式進行軌跡模式探勘－以都市地區宅配車輛為例

隨著網際網路的普及，人們的消費模式也正在逐漸改變，電子商務供應鏈的發展促使線上零售的管道取代部分的傳統實體零售店面，而宅配在此供應鏈中負責最後一哩運送，佔有不可或缺的地位。近年隨著電商的蓬勃發展，宅配的需求也隨之增長，並衍生出龐大的宅配物流商機。而宅配貨件的配送工作因為貨件量大、工時長、路線規劃所要考慮的因素複雜，造成宅配人員的工作壓力居高不下。若能從大量累積的軌跡資料中將無形的過往經驗轉化為可判讀的知識，針對配送區內的紀錄歸納出較為頻繁的運送模式做為參考，應能有效幫助配送人員縮短作業時間，也降低各項成本的耗損。 本研究針對都市區域內的貨運車輛軌跡進行觀察，將軌跡資料中的資料點轉換為網格化表示以及路段表示，同時使用加權編輯距離（Weighted Edit Distance）以及最長共同子序列（Longest Common Subsequence）兩種方式定義樣本相似度的計算方式，並針對編輯距離在軌跡序列長度不同時，編輯距離會隨著長度膨脹的問題做出了修正，並且利用元素之間的距離關係定義作為依據，提出新的編輯操作成本定義方式。從分群結果來看，該資料集雖然不存在明顯的群集，但其中仍然有部分樣本具有非常相似的特徵，表明在該觀察區域內，駕駛車輛的人員確實具有習慣的行為模式。

• 學位論文

可適用於人工智慧數據資料庫之洗錢行為表徵研究

國泰民安的一大表現，就是讓人民有安居樂業的環境，而犯罪者犯行的最大動機，就是能順利的使用犯罪所得，否則，犯罪行為將變成毫無意義。國家對於洗錢防制的作為，目的就是阻絕犯罪者順利使用犯罪所得，但是每天全世界有海量的金融交易紀錄，根本不可能以有限的人力去查核出洗錢行為，近年來，人工智慧的應用已經廣泛在各個領域中，雖然人工智慧技術目前尚屬初級，但是在實務上已經有其實用性。 文章內容先介紹洗錢行為的內涵及危險因子的表徵，國際間及我國目前洗錢防制的機構及運作模式，使建置洗錢防制人工智慧的工程師，能理解洗錢防制的邏輯為何，進而可以設計出適用於實務的人工智慧系統。 本文期待，將人工智慧引入洗錢防制中，利用人工智慧對於海量的金融交易紀錄加以查核，並自主不停地擴充、更正資料庫，使洗錢犯行的警示更加精確、廉價。然而，建置足夠效能運用於洗錢防制的人工智慧，在機器學習時，必須由工程師提供足夠且堪用的資料。本文即是將實務中可能表現出洗錢行為特徵的危險因子，區分為名單、地區、可疑金融機構交易等種類，加以列舉出，並希望將此類危險因子建立起的資料庫，供人工智慧利用，期使工程師能建置出最佳的洗錢防制人工智慧系統。

• 學位論文

在點線段空間中最佳化電動汽車充電站佈署

電動汽車的普及有助於落實低汙染、環保且共生共榮的運輸環境，然而充電基礎設施的不足和分布不均，讓電動汽車的發展窒礙難行。本研究考慮都市型態地區及燃油車主的排斥心理，將可行的實際道路結合既有停車場位置，建模為連續的點線段空間(Point and line segment space)，在滿足現有電動汽車需求的情況下，最小化總建設成本及最小化總體燃油車主和電動車主所減少的利益，並根據車主距離容忍度和充電需求量的變動劃分不同情境，建立多目標混整數規劃(Multi-objective mixed integer programming)的穩健最佳化模型(Robust optimization model)，透過最小化兩目標函數的最大偏差，在點線段空間中權衡兩個目標面向並求解穩健柏拉圖最適(Robust pareto optimality)，給出適當的電動汽車充電站佈署規劃。

• 學位論文

錯誤偵測與分類資料的預後健康分析

鑑於半導體產業在數據搜集上的成本降低，擁有大量的即時製程資訊，如何運用收集機台上各項參數的時間序列資料，以進行錯誤偵測與分類、虛擬測量，乃至批次控制，為構建現今智慧製造系統的基石之一。本研究著眼於製造系統中的分析錯誤偵測與分類資料，萃取與機台狀態特性相關的時間特徵，以非監督式學習將原始多維度時間序列簡化成單一虛擬時間訊號，此時間卷積特徵經指數加權移動平均後作為機台單一指標，並藉其偵測與預測機台設備的異常失效。藉由觀察機台指標與實際製程資訊，本研究發現機台發生錯誤前，該指標均有明顯的下降或上升的趨勢。從論文中的蝕刻系統個案來看，以廣義變異數與馬氏距離作為卷積計算出來的時間特徵，皆出現與機台錯誤發生時機有關的模式。此時間卷積特徵能夠以非監督式學習的方式進行特徵萃取，同時保留晶圓製程的時間資訊，提高特徵的代表性。綜合來說，依時間卷積特徵所建立的健康指標，在其解釋上、資料不平衡的處理上都跟過去的資料分析方法有所不同，實務上，透過建立單一指標的健康指數，能夠有效幫助工程師在時間視窗上進行機台是否錯誤的判讀。

• 學位論文

以貝氏網路解析與提升深度神經網路模型之可釋性

隨著深度神經網路模型演算法的突破，加上軟硬體計算力不斷地提升，使得過去訓練類神經網路的瓶頸得以跨越，因而催生了大規模且效果顯著的研究與產業應用。然而，給定一訓練良好、能輸出準確預判的深度神經網路，由於深度神經網路在經過隱藏層之間相連權重的計算經過線性與非線性的轉換，人們往往無法得知模型中參數的意義與判斷依據，因此推理過程往往為人詬病為一黑盒子，致使模型的可信度與被採用度大大降低，且在許多應用場景中，輸入層的變數對使用者具有確切的物理意義與解釋能力，回溯至輸入層並找出重要因素乃研究者注重的目標之一。 本研究中，將先回顧深度神經網路可釋性當前發展，並利用貝氏網路模型來解析已訓練完成的深度學習模型，利用層層剝離推論的方式，發展由輸出層往隱藏層、最後回推至輸入層的解析框架。接著分別以MNIST以及Fashion MNIST資料集訓練類神經網路模型，最後以視覺化的方式呈現經由貝氏網路演算法推理出的重要特徵 (即圖片上的像素)，藉此解釋出黑盒子中的判斷邏輯，找出顯著影響模型的輸入變數，使深度學習的可信度與可釋性增加，提升產業採行深度神經網路技術的信心。

• 學位論文

整合主動輪廓模型之深度卷積網路以辨識遮罩不完全精準之醫學影像

肝癌是目前全球最常見的癌症之一，每年都造成大量的死亡人口。醫生在進行診斷與治療之前，通常必須先了解肝臟和肝腫瘤的狀態，然而判讀醫學影像往往耗時又耗力。正好近年分割模型隨著深度神經網路的再崛起迅速發展，應用在醫學影像上，能幫助醫生快速地獲得輔助診斷資訊、減少誤判，成為重點應用領域。然而分割模型多為監督式學習，其學習效果受遮罩的品質影響甚鉅，且人工圈選時須在效率與細節中取捨，因此使用不完全精準的遮罩來訓練模型為本研究之重點。 為了在使用不完全精準的遮罩時仍能有效提升圖像分割的準確度，本研究提出一新穎的模型訓練架構，首先導入擷取局部能量並限制更新區域的主動輪廓模型來修正遮罩輪廓，讓模型有更精準的訓練目標；接著將影像與品質提升後的遮罩輸入以EfficientNet-b7作為編碼器、DeepLabV3Plus作為解碼器的分割模型，並透過增加輸入以及輸出的連續層數，來模擬醫生觀察上下切面的連續資訊量；最後則是混合使用二元交叉熵、Dice損失係數以及RMI (Region Mutual Information) 來確保局部、全域、形狀等多層次資訊均納入考量的損失函數來進行模型學習。 本研究針對台大醫院的肝癌個案進行分析，將目標重疊率從91%改善至96%，並能微量挑出血管與腫瘤等非肝臟部分，針對圖像邊緣的輪廓也更加貼合肝臟本身，有部分的模型圈選結果甚至經醫生驗證較原先手動的目標遮罩品質更好，獲得全方面的成效提升。

• 學位論文

動態派工與預保養之強化學習方法初探

本研究提出一適用於大型生產系統多智能體系統(Multi-Agent System, MAS)，以分散式求解方式對大型智慧生產系統求解的概念，此多智能體系統中包含了分解代理人(Decomposition Agent), 機器代理人(Machine Agent), 協作代理人(Negotiation Agent) 及合作代理人(Coordination Agent)四種不同的代理人，並利用此拆分、求解及合併的思維得到大型生產系統的較佳初始解，進而透過強化學習方法優化生產系統中的決策。 而在多智能體概念中，本研究主要為提升機器代理人(Machine Agent)在求解過程中的效率及初探強化學習在生產系統求解上的應用。故本研究分為兩個部分，第一部分為介紹如何利用深層神經網路及多項式回歸方法預測兩產品單機台的較佳初始解，接著針對此較佳初始解利用動態規劃繼續求解至收歛，並在研究中展現此一方法更為單純動態規劃求解方法節省求解時間，且與之求解出之解無異。 第二部份則為生產系統之強化學習初探。本研究開發出一用於兩產品單機台生產系統的強化學習演算法，其概念為利用強化學習代理人(Agent)與環境(Environment)互動此一特性研發演算法，並直接於演算法內設計類離散事件模擬動作的過程，以實現強化學習中環境這一環節。最後，將在強化學習過程中的決策與動態規劃求解的決策透過模擬比較其平均總完工時間(Average Cycle Time)，結果顯示本研究提出之強化學習演算法能有效求解兩產品單機台生產系統的動態派工與預防保養決策。

• 學位論文

台灣室內設計公司的競爭策略：以A公司為例

伴隨著社會經濟活動的變遷，民眾對於室內空間環境的要求越來越高，連帶著使得室內設計產業的經濟產值不斷成長。另一方面，設計人才的規模性供給透露出設計產業專業人力供需失衡的現象，導致台灣室內設計公司在室內設計市場上激烈的競爭。值得注意的是，台灣室內設計公司的市場競爭對手不僅是國內各型室內設計公司，甚至包括國際性的或是跨國性的室內設計公司也紛紛來台搶食台灣室內設計的市場佔有率。據此，本研究係探討室內設計公司該如何依自身的條件與外部環境的狀況，來尋求最適合自己的競爭策略，並以A公司作為個案討論。研究發現A公司具備創新研發技術以及創新設計理念，有室內設計統包工程整合能力，並可與協力廠商維繫合作關係。A公司以其核心競爭力來回應顧客價值主張所建立的商業模式，可就成本、性能、可製性之間尋求最佳的平衡點，來降低成本結構，強化協力合作夥伴的決策依據，此最佳平衡點亦能夠增加A公司商業模式的收益流，讓A公司更有能力滿足顧客的價值主張。除此之外，A公司必須留意在如何強化與協力廠商資源共享以及資訊界面共享機制與系統的重塑上，以及財務管理的部分。