# 關於我
## 自傳
### 幹部任職
1. 2024/01 - 2024/06 逢甲大學進階程式設計教學
1. 2021/07 - 2022/06 逢甲大學前瞻科技研究社 (AIC) 學術暨研發部部長
2. 2014/07 - 2015/07 鳳山高中 電資社 網管

---

### 簡歷

| 時間 | 經歷／專案 | 備註 |
|-------------------|-----------------------------------------------------------------|------------------------------|
| 2025/03 - | [AgenticSeek](https://github.com/Fosowl/agenticSeek) | Side Project |
| 2024/08 - 2025/07 | 基於多核模型對大型圖片的瑕疵檢測整合系統 | 國科會計畫 |
| 2024/01 - 2024/06 | 逢甲大學進階程式設計教學 | 教學 |
| 2023/05 - 2023/10 | 新一代公路交通系統模擬(HTSS)模式開發規劃(1/2)-功能設計 | 程式改寫 |
| 2023/01 - 2024/01 | 運用機器學習及深度學習於 TFT-LCD 組裝廠之自動化產線AOI 瑕疵檢測 | 國科會計畫 |
| 2022/09 - 2023/10 | 志聖工業 | 系統控制 實習生 |
| 2022/08 - 2023/10 | 基於深度學習的滾動軸承監測和故障診斷方法 | 國科會計畫 |
| 2021/07 - 2022/06 | 逢甲大學前瞻科技研究社 | 教案撰寫、授課 |
| 2019/12 - 2021/05 | 逢甲機器人社 (Buster 人形機器人) | 位置標記 電腦之通訊 跌倒偵測 |

---

1. 國科會計畫 2024/08 - 2025/07
* 基於多核模型對大型圖片的瑕疵檢測整合系統
3. 逢甲大學進階程式設計教學 2024/01 - 2024/06
* 教案撰寫
* 教學
* 實作帶領
4. 國科會計畫 2023/05 - 2023/10
* 新一代公路交通系統模擬(HTSS)模式開發規劃(1/2)-功能設計
* Fortran 程式改寫
* 加入物件導向與敏捷開發
5. 國科會計畫 2023/01 - 2024/01
* 運用機器學習及深度學習於 TFT-LCD 組裝廠之自動化產線AOI 瑕疵檢測
6. 志聖工業 2022/09 - 2023/10
* 系統控制 實習生
* 撰寫面板、半導體烤箱的人機系統
* 使用卷積神經網路進行 PCB 之瑕疵檢測
7. 國科會計畫 2022/08 - 2023/10
* 協助進行《基於深度學習的滾動軸承監測和故障診斷方法》
* 與 PLC 進行通訊之模組
* 模型特徵取樣及邏輯
8. 逢甲大學前瞻科技研究社 2021/07 - 2022/06
* AI 教學線之教案撰寫
* Iot、AI 教學線管理
9. 逢甲機器人社 (Buster 人形機器人) 2019/12 - 2021/05
* 機器人標記位置
* Python 影像標記
* 機器人與電腦之通訊
* 無線 HC12 模組，串接與程式重構
* 機器人跌倒偵測
* 陀螺儀 MPU-6050 模組，串接與程式重構

---

### 實作
1. 以 ESP8266 與相關零器件打造智慧家居系統。
2. 以 Attiny85 打造 SD 卡播放器。
3. 以 Pro Micro (ATmega328) 與 ahk、powershell 等語言，實作 Badusb。
4. 以 Tasker、Join、Eventghost、IFTTT 等，藉由相互之間的串接，達成以手機遙控的製化家居系統。

---

### 專案
1. [AgenticSeek](https://github.com/Fosowl/agenticSeek)
- 本地化語言模型
- 帶有自我修正與運行程式的能力

---

### 研究領域
1. 深度學習
2. 類神經網路
3. 影像辨識

---

### 熟悉程式語言
1. Python
2. Ahk
3. Batch、Powershell
4. C

---

### 獎項
* 2021年潔能科技創意實作競賽 大專綠運輸組 決賽入選
* 應用於無人機之鋁空氣電池 (大專-運-中 009)

---

## 論文
### 題目
基於類神經網路進行金屬加工之瑕疵檢測
Metal Surface Defect Using Neural Networks

### 摘要
本專題將針對金屬加工表面的汙損進行辨識，透過Shuffle Net V2類神經網路模型進行瑕疵檢測，並將其遷移至Android上執行。實驗方法為，首先搜集大量的金屬加工表面瑕疵圖片作為訓練資料集，經過不斷的對Shuffle Net V2模型進行調整超參和優化，讓其能夠更好地適應工件表面瑕疵分類的任務。最後訓練並選擇出一個準確率較高的模型作裝置的遷移。為了使這個模型能夠更好地應用在實際生產中，我們將其遷移至Android系統上。硬體方面，我們調用了手機的後置主相機進行圖片的抓取，同時也開放使用者自行輸入圖片做為檢測資料。經過多次的修正，模型已可達到有效且快速的便是瑕疵種類並輸出。
### 前言
近年來，隨著越南加工產業的蓬勃發展，台灣的鋼鐵加工產業的成長變得不再穩定。在金屬加工過程中，由於各種因素，常常會出現表面瑕疵，例如生產過程中的抖動或平台的磨損，進而導致金屬表面無法達到預期的光滑度，即使是輕微的瑕疵也會增加後期的加工成本。目前，許多廠房和生產線仍然使用人力去判斷金屬缺陷，但由於缺乏客觀明確的依據，造成產線淘汰成品。使用傳統的人工視覺辨識方法速度緩慢、人力成本高，且肉眼精確度有限，無法滿足現今工業產線上的需求。因此，引入較新的類神經網路檢測技術可大幅降低成本，提升良率。金屬瑕疵檢測是一個簡單但需要高度集中精神且重複度極高的工作，因此需要透過更先進的技術進行自動化檢測。又考量到假使改造需要花大量的成本，在現有機台上做更新與更動，會令產線與廠商望之卻步。因此，本研究旨在利用此機會，將研究成果應用在規格較弱的嵌入式系統，開發出一款瑕疵檢測應用程式。
### 架構

### 神經網路
使用Shuffle Net V2作為預訓練模型，並進行資料擴增，增加訓練樣本，最終串接上全連階層作為輸出。由於Shuffle Net V2採用分組卷積，從而減少、縮短辨識過程的計算量與最終模型大小，達到不使用高階計算設備，卻也能完成任務的模型。
### 訓練結果
#### 無資料擴增
#### 資料擴增

### 結論
本專題透過使用 Shuffle Net V2 預訓練模型，經過優化及重新訓練後，不只能成功的辨識出各項瑕疵，並且檢測正確率可達約 98% 左右。只有少數類型可能會有誤判的產生。藉由模型遷移至裝置，更加提升實際操作於業主廠房改裝的可能性。透過此專題，能大幅降低人力成本，成為全自動的瑕疵檢測系統

---

## 連結
[GitHub](https://github.com/steveh8758)