研究成果

本技術特色為「零接觸式」，結合AI及電腦視覺技術，觀察臉部特徵的對稱性估算受測者臉部中風的風險，及因心臟跳動及呼吸時所產生的微振動估算受測者的心率及呼吸率，心率偵測的誤差為±4下/分，呼吸率偵測的誤差為±2次/分，準確度趨近於醫療級的生理量測儀器，極具臨床實用價值。該技術可進行單人、多人檢測、甚至可以辨別受試者性別，將可整合於生理訊號量測系統、嬰兒監視器、及魔鏡等系統或裝置，應用於負壓隔離病房、月子中心、居家、或是健身房、演唱會等多人進出的入口，降低人與人接觸感染的風險，達到「肢體零接觸，服務無距離」。

為降低醫師工作負擔及提高診斷效率，本團隊以獨特的增量式學習技術開發多項AI輔助診斷系統，解決不同場域落地問題，已成功開發鼻咽癌、甲狀腺、前列腺、肺部腫瘤、類風濕性關節炎、海馬迴、肺腫瘤、青光眼等多項AI輔助診斷系統，大幅提升在影像判讀的效率及精準度，提高醫療品質。如「肺部病灶偵測技術 」，可精確標記肺腫瘤的位置，對胸部X光正常和肺腫瘤影像分類的準確度達到了98.51%，敏感度達到了99.01%。

記憶體模組由許多電子元件構成出廠前需仔細檢查。現有的自動光學檢測(AOI)機台檢測效能不佳且正常誤判為異常項目過多，造成後續人工檢測工作量大增，不僅浪費時間，更增加人眼因疲勞造成錯誤判定的風險。本團隊研發之「應用深度學習於 DRAM 模組中焊接點檢查」，檢測準確度可達 98%，缺陷的漏撿率低於 0.3%且檢測時間為 0.05 秒，有效解決傳統 AOI 設備誤判率太高、需要大量人工複檢問題。

利用 AI 機器學習方法，判別嬰兒哭聲的類型(肚子餓、想睡 覺、尿布濕、需要安撫)，為全球唯一可為每位嬰兒客製化哭聲辨識模型的技術，針對出生一周內寶寶哭聲的辨識準確度是 92%，幫助新手爸媽了解嬰兒哭鬧原因，降低意外發生率。該技術亦可結合吐奶及口鼻遮掩檢測、臉部心率及呼吸檢測等技術，打造「全方位智能嬰兒監視器」，並應用於醫療院所、月子中心及居家照護等場域，協助新手爸媽照顧嬰幼兒。

藉由拍攝學習者的臉部及動作，即時分析出學習者的表情資訊(包含開心、難過與無表情)以及特定動作(包含舉左手、舉右手、舉雙手與趴下)，可輔助老師了解學習者在課堂的情緒變化、及學習者的反應活躍程度，找到需要被關注的對象，即時調整教學方式。除此，該技術亦可延伸應用於偵測團隊中的「暴力行為」；或搭配「人流偵測」技術，防止人員踏入危險區域。

工安意外防治為極重要的課題，為避免員工未依遵循安全流程，貪圖方便而造成工安事件，本團隊開發一套「生產線上出入口安全行為AI監控系統」，使用行人追蹤及行為識別技術，及時監視員工是否遵循安全規範，提高員工作業安全性。

數位剪像術雖能顯示肉眼無法觀察的細微缺陷，但是否為缺陷仍得由現場人員判定且會因經驗不同導致判斷標準不一。本團隊提出「基於增量式YOLO之輪胎氣泡檢測技術」，大幅提升檢出率。氣泡缺陷檢出率約98%、判斷單張影像僅需0.076秒，檢測速度非常快速，可協助企業達到半自動化檢測流程並大幅降低檢測人力。

(1)各種醫學影像上自動甲狀腺分割技術之實現、(2)超音波影像甲狀腺結節分割及分類、(3)超音波影像中甲狀腺體積估測、(4)甲狀腺腫瘤分割、(5)甲狀腺葛雷芙氏症之自動檢測，可協助醫師於臨床診斷使用，降低診斷的難度，縮短檢查時間及提高確診率。