成果展示

語言模型越獄攻擊偵測與防禦系統

第三次比賽

隨著生成式 AI 在各產業的應用日益廣泛，大型語言模型（Large Language Models, LLMs）雖展現了強大的理解與生成能力，卻也伴隨著越獄（Jailbreak Prompt）、提示語注入（Prompt Injection）與語意操控等資安風險。Ollama 是目前最受歡迎的本地 LLM 平台，開發者可透過它在本地機器上部署像是 Llama、Mistral 等等的模型。然而，部分模型在經精心設計的提示語注入下，仍可能產生仇恨、歧視或其他有害內容。為了試著解決此一問題，我們提出了一個系統，一個專為LLM安全性測試與防禦驗證所設計的分析平台。其核心理念並非取代模型內建的防禦機制，而是提供一套 AI 滲透測試流程，協助使用者驗證模型在實際應用中的安全性與穩定性。 系統以多層次風險偵測與決策架構為核心，整合經過訓練的DeBERTa V3作為我們系統的Toxicity Classifier、Context Compliance Checker、Harmfulness Sub-detector等，能同時分析模型輸出中的潛在風險來源。本系統透過加權計分機制將風險量化為五級（Very Low 至 Critical），並據此啟動對應的動態防禦策略：低風險內容保留原文，中風險自動清洗敏感片段，高風險重新生成安全替代回應，極高風險則直接阻擋輸出。此架構確保 AI 回應具備可控性、安全性與合規性。 在技術設計上，系統使用網頁全端架構，支援即時測試與批次分析兩種模式。批次模式可於 15 分鐘內完成超過 1,000 筆測試案例，並自動生成三層視覺化報告（Overview、Model Comparison、Detailed Results），協助使用者比較不同模型的安全性表現與防禦成功率。為提升使用彈性，系統提供即時可調的防禦參數設定介面，使用者可自由調整毒性閾值、危害偵測門檻與替代生成策略。

基於人工智慧之頸椎骨刺辨識系統

我要畢業

本作品提出一套「頸椎骨刺輔助判讀系統」，目的是可以直接指出哪一節頸椎（C3–C7）可能有骨刺，並提供量化依據。這對臨床初步判讀很重要，因為第一線門診常需要在時間有限的情況下快速說明「哪裡有問題」，而傳統肉眼判讀容易受到拍攝角度、姿勢或個人體型差異影響。系統流程可分為影像處理、幾何量測與 AI 推論三部分。首先，使用者上傳頸椎側位 X 光後，系統會自動進行影像強化、二值化、遮罩擷取、旋轉校正與裁切，接著系統在該椎體上自動產生八個關鍵點，並提供介面讓使用者可做一次性微調。這八點相當於幫每一節椎體建立專屬座標系。在這個座標系之上，系統輸出兩種資料：（1）224×224 的「結構線圖」；（2）十六維幾何特徵，包含四角向外突出的程度（ORI）、上下方向的偏移與變形（ori）、局部角度變尖的程度（Angle）、以及四個區塊的膨出、凹陷比例（Area）。ORI 概念來自文獻，用來量化骨刺沿前緣「往外長多少」。本研究將它擴充為「方向分解」：除了量水平外突，也量垂直偏移。Angle 與 Area 則補充該角是否呈尖刺狀、局部是否膨大，讓輸出結果更有臨床可讀性。AI 推論採多模態中期融合架構。影像分支使用 DenseNet-121，輸入為 224×224 結構線圖，負責看形狀與邊界變化。表格分支使用 TabPFN，輸入為上述十六維幾何特徵，輸出「健康、有骨刺」的機率。這兩個分支會在模型中期融合：TabPFN 的機率輸出會被投影後用來引導 DenseNet-121 的影像特徵。最後，模型輸出該椎體是否疑似骨刺的機率 。資料共 2,335 個椎體樣本，其中健康 1,435、有病 900。訓練時考慮類別不平衡，並以驗證集 F1-score 挑選最佳模型。固定切分下，最終融合模型在測試資料上達到約 82.3% 準確率（Accuracy）與約 79.8% 的 F1-score，ROC-AUC 約 0.90，PR-AP 約 0.88。與只用影像或只用幾何特徵相比，融合後的穩定度、召回率與可解釋性都更好。為了讓系統不只是一個模型，而是能實際示範的工具，我們也用 MATLAB App Designer 製作圖形介面。整個流程被包成兩步：第一步上傳 X 光並檢查八點定位；第二步按下推論，系統就回傳每一節椎體的結果，並顯示結果。整個推論可在數秒內完成，適合用於門診初步判讀、教學示範與後續追蹤。

CareCanvas AI

MVL天亮了

在數位時代的快速步調下，人們面對生活壓力、情緒波動與心理挑戰的頻率不斷上升，但傳統心理諮商往往存在高成本、等待時間長與可近性不足等問題，導致許多人在最需要幫助的時候，卻無法及時獲得支持。CareCanvas AI正是為了解決這個痛點而誕生的智慧心理支持系統。它結合生成式 AI、語音辨識、圖像分析與多模態互動技術，打造出一個隨時可用、個人化且具情感溫度的心理健康平台。 CareCanvas AI 的核心理念是「讓科技成為情緒理解的橋樑」。使用者可以透過文字輸入、語音對話或上傳心理投射圖像（如「雨中人」測驗）與系統互動。AI 不僅能理解語意，還能辨識語音情緒、分析圖像內容，並以擬真的虛擬陪伴者角色回應對話。這些虛擬角色擁有自然的表情與聲音，能夠以貼近人類的方式與使用者互動，降低疏離感並提升信任度。 系統可因應不同的心理狀態提供多層次支持。例如，當使用者情緒低落時，虛擬心理師會即時進行安撫並引導表達感受；當出現失眠或焦慮狀況時，AI 能分析原因並提供具體解方，如冥想、呼吸練習或睡眠建議；而在長期壓力或自我探索階段，系統則透過心理測驗與創作活動，引導使用者深入了解自身情緒結構與心理需求，甚至協助處理人際關係中的表達與溝通困難。 除了即時對話與情境回應外，CareCanvas AI 還提供「心理趨勢追蹤」與「虛擬陪伴者客製化」功能。系統會自動記錄使用者的情緒變化、互動歷程與測驗結果，並生成長期心理趨勢報表，讓使用者清楚了解自身的情緒變化與改善軌跡。同時，使用者可上傳照片與聲音，AI 將自動生成專屬虛擬陪伴角色，提供更具情感連結的對話體驗，讓心理支持不再冷冰冰。 CareCanvas AI 不僅僅是一個聊天機器人，而是融合心理學專業與人工智慧的全方位情緒陪伴系統。它能在情緒波動、失眠焦慮、長期壓力或人際挑戰等不同情境下提供即時協助，並以個人化的互動與建議陪伴使用者走過心理起伏。我們期望未來此系統能應用於教育、臨床輔助、企業員工照護等多元場景，成為人人日常生活中的心理支持夥伴，讓心理健康變得更易接近、更即時、更有溫度。

AI輔助入侵偵測系統

資安守望相助隊

D-FLARE 是一套結合人工智慧與動態權重機制的防火牆日誌分析系統，專為校園與中小企業設計。系統以 Python 為核心，前端採用 Streamlit 打造直覺化操作介面，整合日誌監聽、資料清洗（ETL）、雙層機器學習模型判斷與即時多平台通知。使用者可透過單鍵操作完成從防火牆 syslog 收集、結構化處理到 AI 威脅判定與警示推播的全流程，顯著降低資安事件反應時間。 D-FLARE 的核心為雙階段判斷架構。第一層模型判斷事件是否為攻擊，第二層再細分危險等級。資料在 Socket 監聽與 ETL 流程後，轉為結構化欄位供模型分析，並以圖表即時呈現攻擊分布與高峰時段。系統能自動整合 Gemini API 生成中文「威脅說明」與「防禦建議」，協助管理者快速決策。 非功能面上，D-FLARE 支援監聽、事件去重推播與自動清理策略，確保穩定與效能。系統相容多品牌防火牆（如 Cisco ASA、FortiGate），可跨平台運作於 Windows 或 Linux 環境，並具備模組化設計，方便後續功能擴充。使用者登入後可載入個人化設定與通知偏好，提升操作體驗與安全性。 最後，D-FLARE 以「即時、精準、可視、可管」為核心價值，從威脅偵測、等級分類到自動通報與建議生成，實現防火牆日誌智慧化分析。透過動態權重學習與可視化介面，系統有效提升防禦效率，為資安監控提供具彈性、可落地且可持續優化的創新解決方案。

AR聽覺輔助智慧帽

TGW Group

傳統助聽器有時會過度放大噪音，影響使用體驗，且外觀和配戴舒適度也可能造成困擾。為此，我們設計了AR聽覺輔助智慧帽，透過結合人工智慧與擴增實境技術，提供一套創新的視覺輔助解決方案。 這套系統在硬體上整合了AR眼鏡與麥克風陣列，並將這些硬體安裝於帽子中，以兼顧外觀的自然與配戴的舒適度。在軟體層面，首先通過語音增強模型DeepFilterNet進行處理，以抑制背景噪音、提升語音清晰度。經過降噪後的純淨音訊，再被送入Whisper模型進行即時語音轉換為文字，輔助聽損者理解對話內容；針對環境聲音的偵測，我們採用Audio Spectrogram Transformer模型，此模型能夠識別多種環境聲音，我們將其應用於偵測環境中特定警示音，例如救護車警報聲或車輛喇叭聲，提醒聽損者注意當前環境；同時，系統透過陣列式麥克風獲取聲音的方位資訊，能夠直觀地察覺聲音大致方位。以上透過各類模型所獲得的資訊，將以字幕和醒目提示的形式顯示於AR眼鏡中，提供給聽損使用者參考。我們的GUI介面在提供重要資訊的同時，亦不會遮擋使用者的視線，讓使用者在日常生活中避免因字幕導致忽略真實環境。我們期望本作品能讓聽損者在日常對話中理解對方的語音，了解聲音方位，並快速得知當前環境可能的緊急聲音，從而顯著提升他們的生活體驗。

智能多寵飲水系統

5151

隨著小型寵物（如天竺鼠、兔子、倉鼠）飼養數量的持續增加，飼主對於寵物健康管理的關注也日益提升。特別是在多寵物環境中，如何精準紀錄每隻寵物的飲水狀況，成為維持健康與預防疾病的重要課題。本作品因此設計了一款專為小型寵物打造的 智能多寵飲水系統，結合 影像辨識技術、壓力感測技術 與 物聯網 (IoT) 架構，實現個體化、數據化的寵物飲水管理。 系統以 Amb82-mini 為核心控制器，整合壓力、水位、水質與溫度感測模組，即時監測飲水環境，同時搭配攝影機模組與 YOLO 影像辨識技術，能自動偵測並識別正在飲水的個體。當偵測到寵物飲水時，系統同步記錄水位變化，透過壓力感測精準換算飲水量，建立每日的飲水資料紀錄。此設計特別針對多寵家庭與群養環境，使飼主能清楚掌握每隻寵物的健康狀況。 為提升辨識的準確性與客製化程度，本系統導入 自動化代訓練模型機制，使用者可上傳自家寵物影像至雲端平台，由系統自動執行模型訓練與部署，生成個體化 AI 模型。這不僅降低了 AI 技術使用門檻，也讓非專業使用者能輕鬆打造符合自身需求的智慧化照護系統。 此外，透過 IoT 連線技術，飼主可使用 行動 App 或 Web 介面 即時監控水壺狀態、水質數據與寵物飲水紀錄。介面設計簡潔直觀，提供每日飲水進度、即時影像與異常提示，並具備 水位不足提醒與水質異常警報 功能。若系統偵測到飲水量過低或水質異常，會即時推播通知，協助飼主及早採取行動。 本作品整合 AI、IoT 與感測技術，實現「自動化訓練、精準偵測、智慧監控」的完整循環，不僅改善傳統飲水器的單一功能與低效率問題，更展現出智慧照護在寵物健康管理上的創新應用潛力。未來，系統可進一步擴充至 寵物旅館、收容所 或 獸醫院 等場域，協助提升照護品質與管理效率，為智慧飼養與動物福祉帶來全新的解決方案。

智慧腦波紅外線熱療儀

腦子好探歐

本作品融合腦波感知技術（EEG）與紅外線熱敷設備，開發出一套具備「即時自動溫控」功能的 AIoT 智慧熱療系統——Brain-AIoT Thermal Control。本系統旨在透過即時腦波監測與人工智慧分析，動態調節紅外線熱療裝置的溫度與照射強度，解決現今熱敷療程中常見的「溫度過高」與「患者無法即時反應不適」等問題，為物理治療與長照領域提供一個安全、智慧、可持續的照護方案。 系統運作流程中，EEG 模組即時擷取 Cz、Fz 通道的腦波訊號，透過 1–100 Hz 濾波與 STFT 時頻轉換分析後，抽取 θ、α、γ 等頻段特徵。特徵向量將輸入結合 CNN 與 LSTM 的深度學習模型中，用以預測使用者是否處於「舒適」或「不適」狀態。當模型偵測出不適反應時，Arduino 控制模組會立即調降紅外線熱源功率或中止照射，整體延遲不超過 2 秒，以滿足智慧醫療裝置的即時反應要求。系統內建視覺化介面，可同步顯示腦波波形、預測結果與溫控狀態，協助醫療人員快速監測與判斷療程情況。 技術架構方面，BATC 採用分層式設計，包括使用者存取層、介面層與服務層，並以 API Gateway 串聯前後端資料流。服務層整合 EEG 資料擷取、訊號處理、AI 預測與 IoT 控制模組，透過藍牙與 Wi-Fi 傳輸協定即時連線腦波量測儀與熱療裝置。資料經處理後會儲存至 SQL Server，包含腦波原始資料、預測標籤與照射紀錄，確保療程可追溯性與模型再訓練能力。所有含個資欄位皆採 TLS 1.2 以上通訊協定確保資料安全，符合醫療資訊保護與 GDPR 標準。 系統除技術創新外，亦融入 ESG理念。在環境面系統採用低功耗 IoT 設備與 AI 動態光照控制，以減少能源浪費與熱能耗散；在社會面透過人機協作機制，減輕長照人員負擔，提升患者舒適度與安全性；在治理面導入權限控管與資料加密管理，確保個資安全與系統運作透明。此設計不僅符合智慧醫療與永續發展趨勢，也展現 AIoT 技術在照護領域的責任性應用。 BATC 的應用場域涵蓋復健科診所、長期照護機構、神經研究實驗室及居家健康管理。臨床端可用於熱敷治療、肌肉放鬆與神經復健；研究端則可用於腦波反應與熱刺激的關聯分析。未來可進一步結合雲端醫療平台，實現遠距復健與個人化健康管理，打造「從臨床到家庭」的智慧熱療生態。

混合齒列影像之AI定位與診斷

肝願被你電

本作品聚焦於兒童混合齒列之齲齒自動化診斷系統開發，針對乳牙與恆牙交錯所造成的影像重疊與病徵判讀困難，提出一套整合影像分割、增強處理與深度學習分類的完整流程。考量幼童齒列結構的特殊性與臨床診斷需求，本研究與桃園長庚醫院合作，蒐集並標註 749 張兒童根尖片與 560 張成人影像樣本作為模型訓練與驗證資料，為確保標註資料的準確性與一致性，每張影像均由三位具備至少三年臨床經驗的口腔醫學專家進行人工標記。 本系統採用 YOLOv8 進行單顆牙齒的分割，並同步辨識乳牙、牙套與根管治療狀態與齲齒，除齲齒外分割與多類別辨識準確率皆超過 99%。在影像預處理階段結合灰階對比度調整、自適應二值化與形態學運算技術，有效提升齲齒邊緣清晰度，使病徵特徵更加明顯，最終齲齒診斷準確率達 93.9%，已達臨床應用標準，YOLO 架構的端到端偵測特性，有助於提升系統在即時診斷上的效率，減少人工標註與判讀的時間負擔，為臨床提供高效且可擴充的輔助工具。 為提升實務應用性，本作品亦設計直觀易懂的圖形化操作介面，提供使用者便捷操作流程，上傳影像後，系統可自動完成牙齒分割、病徵辨識與分類，並自動匯出診斷結果至 Excel 檔案，可作為電子病歷格式，支援日後病例管理與追蹤分析。 此系統特別適用於醫療院所進行快速初步篩檢，亦可應用於偏鄉或資源有限地區的口腔健康照護，減輕醫師判讀負擔，提升診療效率與精準度，具高度潛力與高臨床價值。

智慧型憂鬱症自我檢測系統

明天會更好

在現代生活步調快速的社會中，人們往往在無形中累積壓力，進而誘發憂鬱症。然而，由於工作、學業等因素，大多數人難以及時察覺自身的心理狀況，導致錯過治療的黃金時機。為此，本專案致力於開發一套智慧型憂鬱症自我檢測系統，提供一個線上平台，讓民眾能夠進行初步心理檢測，作為就醫前的參考依據，協助社會醫療分級制度的落實。基於此動機，本研發團隊設計一智慧型憂鬱症自我檢測系統，輔助使用者自行評估憂鬱症級別。 在此專案中，系統結合結構化與非結構化的問答機制，使用者透過對話方式回答系統相關問題。關於結構化方面，我們採用PHQ-9問卷並以自然語言處理技術，辨識語音、解譯語音並計算憂鬱指數。關於非結構化方面，我們使用大型語言模型（LLM）與語音情緒辨識模型（SER）並搭配DSM-5的內容多方分析使用者的回應，提供一個客觀的心理狀態評估結果，最後給予一個分析結果報告供使用者參考及下載。在使用者介面設計上，系統具備虛擬角色與語音互動功能，透過文字轉語音技術（TTS）將大型語言模型所生成的回應語音化，強化整體互動體驗與人性化程度，使檢測過程更加自然與親切。 在此強調，本系統非取代現有醫師診斷制度，而是提供使用者一個自我檢測的基礎，作為進一步就醫的依據。

筆落墨染-AI書法教學平台

毛筆小夥伴

「筆落墨染」是一款結合 AI 與傳統書法藝術的智慧教學平台，專為書法學習者打造個性化、數據化的學習體驗。 在數位時代中，人們提筆寫字的機會越來越少，書法這項兼具藝術與文化深度的技藝，也面臨逐漸式微的現象。我們希望透過科技的力量，延續這份文化底蘊，讓每一次書寫都能被看見、被理解、被傳承。 不同於傳統書法學習須長時間依賴老師指導，「筆落墨染」運用人工智慧與獨家核心技術，能即時追蹤與分析使用者的筆畫流暢度、結構比例與運筆節奏，並根據分析結果提供客製化回饋與專業評分。即使在沒有師資陪伴的情況下，學習者也能持續獲得精準建議與成長方向，實現「自我診斷、自我精進」的智慧學習模式。 平台設計兼顧不同族群需求： 對初學者而言，在家即可依照個人步調練習，從筆劃、結構到章法逐步建立信心； 對忙碌的上班族與中老年族群而言，書法不僅是藝術學習，更是一種情緒平衡與心靈療癒的過程，能在穩定筆觸間獲得內心的寧靜； 而對追求個人風格的創作者來說，透過長期筆跡數據紀錄，能觀察自己書體的演進，甚至生成專屬的個人字庫，展現獨一無二的筆韻與美感。 系統亦整合進階筆跡追蹤與判斷非書寫行為及心率測試，結合追蹤筆頭軌跡，能精準偵測書寫動作，排除非書寫的干擾。每一次揮毫的筆勢都會被完整記錄，學習者能重現自己的書寫過程，從細微筆壓變化中理解自我風格，讓每次練習不僅是臨摹，更是一場自我探索的旅程。 「筆落墨染」期望藉由科技的輔助，重現紙墨之間的溫度， 以人工智慧為筆，傳承千年文化之魂。 在一筆一墨之間，讓書法重新走入現代人的生活， 也讓傳統藝術在新時代中，繼續書寫屬於它的風華。

智慧運動空間感測服務

天空閃電落

數位科技已改變運動參與的模式，包含賽事轉播、運動訓練與觀 賽，電腦視覺、影像生成與數據分析技術已應用於NBA、 MLB、FIFA、NFL、BWF等頂級賽事。智慧運動空間是運動場 域科技普及化的重要指標，如何將快速發展的影像感測技術滲透 到大眾的運動場域是當中的關鍵。本提案提出智慧運動空間感測 服務，旨在降低整合門檻並加速創新應用開發，特色如下： a. 感測服務化：以邊緣運算與容器化封裝複雜的影像處理與深度 學習計算，應用程式只需透過標準物聯網協定，就能像讀取傳統 時序感測器一樣，輕鬆操作影像感測系統並獲取標準化數據。 b. 多樣感測內容服務：涵蓋環境感測、競賽內容解析與運動員動 態偵測，並提供3D定位資料。以智慧羽球場為例，系統可自動 辨識場地幾何結構、比賽對戰流程。 c. 高效運算優化：整合多台高幀率攝影設備與多相機佈建，透過 系統架構與運算優化，在可接受成本下實現即時3D感測服務。 雛型系統以單台 AI-PC 驅動 8 台 120 FPS 攝影機，已達成即 時 3D 羽球追蹤與比賽內容擷取。 本系統以純視覺⾃動事件偵測為核⼼，從發球、擊球到落地全程無縫識別，並同步統計每回合拍數及擊球瞬間球速，無需任何額外感測器；此外，透過容器化部署與 MQTT 輕量通訊架構，搭配市售⼯業攝影機與開源軟體，即可快速套⽤於各級賽事，並整合⾄直播轉播系統與智慧球館管理平台，實現低成本、易維護且具彈性擴充的端到端智慧賽事分析與呈現解決⽅案。本技術具備高度可擴充性，未來可廣泛部署於各類運動場館，助力智慧運動空間落地。

足壓與下肢肌電訊號輔助APP

百萬鱷魚背刺小丑

本系統是一套整合性的生物力學分析與個人安全監測解決方案，其核心目標是透過藍芽低功耗 (Bluetooth Low Energy, BLE) 技術連接外部感測器中樞 (Raspberry Pi)，即時採集使用者的下肢生物力學數據（足壓、IMU、EMG）。數據經由在 Native 端 (Android/Kotlin) 運行的 TensorFlow Lite 機器學習模型 進行處理後，以熱力圖、壓力中心 (COP) 和即時圖表等多種形式進行視覺化呈現。 據本團隊發現，傳統的生物力學量測與個人安全警報系統有以下幾點瓶頸： 1. 設備成本高昂：專業的足壓板和肌電圖 (EMG) 設備價格不菲，限制了其在學術研究和小型機構中的普及。 2. 數據整合不易：不同感測器的數據通常需要透過複雜的後處理軟體進行同步與分析，操作門檻高。 3. 缺乏即時性與便攜性：量測通常需要在實驗室環境中進行，無法輕鬆應用於日常訓練或戶外場域。 4. 緊急聯絡功能分散：個人健康監測與緊急警報功能常分散在不同 App 中，無法有效連動。 本系統的目的與範圍如下： 1. 整合性數據採集：提供統一介面，同步記錄足壓、慣性測量單元 (IMU) 和肌電 (EMG) 數據，並將原始數據匯出為 CSV 檔案。 2. 即時分析與監測：利用原生 TFLite 模型進行即時壓力重建與視覺化，並整合一套基於力量分析的自動跌倒偵測演算法。 3. 緊急警報系統：當偵測到跌倒事件時，透過 Google Cloud Function 自動向預設的緊急聯絡人發送 FCM 推播通知。 4. 離線深度分析：使用者可匯入先前錄製的 CSV 檔案，系統會在本機使用 TFLite 模型進行深度步態分析，產出包含步頻、對稱性、COP 軌跡圖等指標的綜合分析報告。 5. 數據回放與管理：提供對已錄製數據的視覺化回放、管理及分享功能。 6. 個人化設定：允許使用者建立個人健康檔案，並管理緊急聯絡人、通知等設定。

雙人毫米波雷達敏捷度分析系統

熱愛學習

近年來，臺灣的雙人競技運動項目，如羽毛球與桌球等，逐漸受到社會大眾與體育界的高度關注，相關訓練與比賽制度也日益完善。在這些快速且節奏明快的運動中，選手的反應時間與移動速度被視為關鍵表現指標，不僅影響比賽勝負，也成為評估訓練成效與發展潛力的重要依據。因此，如何準確且即時掌握選手場上的動態表現，已成為教練與團隊重視的課題。 本研究設計並實作一套整合毫米波雷達與超寬頻（UWB）感測技術的即時測量與分析系統。系統採非接觸式方式，可即時偵測選手的起跑動作與位移情況，並進行資料處理與回饋，協助教練與選手掌握訓練成效。透過毫米波雷達的高速動作偵測，可精確捕捉選手啟動瞬間的反應時間；而UWB定位則能提供高精度的座標資訊，記錄選手在場上移動的軌跡與距離變化，進而計算出移動速度與加速度等量化指標。 整體系統以主控裝置作為資料整合核心，透過無線通訊將雷達與UWB模組的感測結果同步傳送至電腦端，再由軟體進行即時運算、視覺化顯示與資料儲存。使用者可透過圖表與統計報告檢視訓練成果，進一步比較不同時段或不同選手的表現差異，為教練提供具體的決策依據。 本系統具即時性、高精度與非接觸式等優勢，能有效提升數據的客觀性與訓練效率，並避免人工計時所帶來的誤差與不便。其模組化設計亦具高度擴充性，可依需求增加感測點或結合其他生理監測裝置，如心率或肌電訊號，以形成更完整的運動數據分析平台。未來，本系統可應用於更多元的運動場域，例如籃球、網球或田徑訓練，協助運動員精準掌握自身表現，展現實質應用價值與發展潛力。

邊緣運算中心於低碳電力網之應用

電力監控守護者

此作品旨在建立一套結合邊緣運算技術與智慧電網管理的低碳能源監控系統，期望透過即時的資料收集、分析與控制，達成能源即時調度與碳排放最小化的目標。系統整合太陽能發電、儲能電池、市電以及負載四個部分來模擬實際電網運行的情境，讓使用者能夠在平台上清楚觀察各項能源數據的變化趨勢與系統狀態。平台提供即時監控功能，顯示如功率輸出、碳排放量、能源使用效率與經濟效益等多項指標，並可將即時量測結果與模型計算的預測值進行比較，協助使用者評估能源運作的精準度與穩定性。系統同時提供天氣資訊查詢功能，能根據當天氣候條件（例如日照強度、氣溫與降雨機率等）動態調整能源管理策略，以提高整體能源利用率。 此外，當系統偵測到負載異常、電力供應不穩或設備故障等狀況時，會自動進入電網調節模式，進行即時的控制權轉移與資源再分配，以維持整體電網穩定運作。使用者可透過監控平台即時掌握各項狀態資訊，並手動介入控制，確保在異常狀況下仍能維持能源供應的穩定性。 本作品的主要目的在於實現能源的最佳化調度與智慧化管理，進而推動低碳化與永續發展的目標。透過邊緣運算的即時分析能力，系統能夠在不依賴雲端延遲的情況下快速處理大量能源資料，並即刻做出最合適的決策，達成高效率、低碳排的能源調控。 實際應用方面，本系統可廣泛延伸至智慧電網、微電網、工業園區及校園能源監控等多種場域。於智慧電網中，能提供分散式能源的即時管理與整合；在工業園區中，可用於監控廠房用電行為並優化能源配置；於校園環境中， 可在學校內搭建場域來進行能源監控，並結合教育用途，展示具能源管理與低碳的平台。透過此系統的導入與應用，可協助達成低碳化、智慧化與數位化的能源管理目標，進一步提升能源使用效率，推動社會朝向永續綠能的未來發展方向邁進。

高精度AI交通違規偵測系統

交通違規偵測小組

本作品是一套結合多項深度學習技術的智慧交通違規偵測系統，旨在協助警局自動化偵測轉彎未打方向燈的違規車輛。有別於傳統方式需仰賴大量人力監看影像、主觀判斷的執法模式，本系統透過深度學習技術達成高準確度、高特異度與低誤報的自動化偵測，大幅提升執法效率，降低人力成本與誤報率。 本系統採用模組化設計，整合五大核心模組協同運作。首先是車輛偵測模組，採用最新的 YOLOv11m 物件偵測模型搭配 ByteTrack 追蹤演算法，能夠精準識別監視器影像中的車輛並持續追蹤其移動軌跡。接著轉彎判斷模組透過自訂的轉彎車篩選規則，與 ResNet34 深度卷積網路，分析車輛的行駛方向與軌跡特徵，準確判別哪些車輛正在進行轉彎動作。 在確認轉彎車輛後，方向燈擷取模組使用 YOLO 模型精確定位並擷取車輛方向燈的影像區域，選擇轉彎方向的方向燈區域序列，輸入下一個模組。方向燈區域的準確擷取將直接影響後續違規判斷的準確度，並且能刪去與方向燈無關的圖像區域，大幅減少噪音與影像大小。隨後違規判斷模組是系統的核心，採用創新的 ResNet34 與 Transformer 混合架構，同時提取空間特徵與時間序列特徵，逐幀分析方向燈的亮滅狀態，並依據亮燈比率判定該車輛是否違規。 最後違規輸出模組將偵測結果製作成標準化的違規證據四格圖，整合車牌號碼、違規路口、時間等關鍵資訊，提供執法人員完整的舉發依據。 系統提供直覺化的網頁操作介面，警察人員可透過帳號登入後執行影片偵測任務。介面設計考量實務需求，支援四宮格監視器畫面同步觀看，並在違規輸出畫面提供人工審核功能，確保系統判斷的正確性。此外，操作紀錄頁面完整保存歷史偵測紀錄，方便後續追蹤與管理。 本系統在實際應用中展現優異表現。在警局提供的73部測試影片中，相較於現行系統，本系統在準確度與特異度指標上皆有顯著提升，將誤抓率從25%大幅降低至僅1%，有效減輕人工審查負擔與民眾申訴壓力。當測試規模擴大至1800部影片後，系統依然維持高準確度97%與高特異度98%，證明其穩定性與可靠性。與舊版系統相比，新系統在各項指標上都有顯著進步，特異度更從74%躍升至98%，展現出色的誤報控制能力。 本系統成功結合多項 AI 技術，不僅提升交通執法效率，更透過精準的違規偵測促進道路安全，顯著降低民眾被誤抓的機率，具有高度的實務應用價值。

積木道路

創造奇蹟

本作品以「行人安全」為核心，結合人工智慧（AI）與物聯網（IoT）技術，設計出能主動偵測行人、即時發出警示的 模組化智慧道路系統 RoadBites。系統整合 YOLOv9 影像辨識模型、RFID 感測、ESP-NOW 無線通訊與模組化道路結構，打造可快速維修、即時反應的智慧交通解決方案。 在許多沒有紅綠燈的斑馬線上，行人往往面臨被忽視的風險。RoadBites 的 行人警示系統 專為此情境設計：當 YOLOv9 偵測到有行人出現在斑馬線時，地面會自動亮起 呼吸式黃色 LED 燈條，以柔和閃動的光線提醒駕駛注意減速。行人離開後，系統會保留約 1 秒緩衝時間 才熄燈，避免因偵測延遲造成安全死角。整體設計不需行人或駕駛操作任何裝置，就能自然傳達警示訊息。 此外，系統結合 RFID 感測技術，可辨識救護車或消防車等緊急車輛，並透過紅色導引燈提示其他車輛避讓。模組間以 ESP32 控制器 與 ESP-NOW 協定 同步資料，平均延遲低於 0.5 秒，確保整段道路能即時回應。 道路本體採用 模組化卡榫設計，可快速拆換與維修，大幅減少道路開挖與資源浪費；LED 地面燈條則以紅、黃、綠三色搭配不同閃爍節奏顯示狀態，讓行人與駕駛能用最直覺的方式理解道路訊息。 經測試，YOLOv9 行人偵測準確率達 95% 以上，系統於夜間與低光環境下仍能穩定運作。 RoadBites 的創新之處在於將「地面」化為交通安全的主動介面，讓 AI 與 IoT 技術真正融入城市生活。未來將持續優化 AI 偵測與模組擴充，期望成為智慧城市與安全交通的重要基礎。