重補修課程

課程說明

1. 各項作業成績之總平均為重補修成績，沒有其他加扣分。

2. 依重補修規定：缺課時數達教學總時數1/3者，不予評量。

3. 報告說明各點約50字，不可以人工智慧撰寫內容。

一. 硬體控制程式

1. 1. 利用python3指令測試硬體控制程式碼。

   2. 使用pip3安裝相關執行套件：pip3 install opencv-python

   3. 測試執行下列程式後，介紹運作過程，及系統監控結果，擷圖 PtrSc。

   4. 使用人工智慧介紹程式

   5. 結果說明文件：輸入資料，程式編輯，程式介紹，測試執行，系統監控，同時多個執行，結果說明，心得。

# Import the necessary modules and libraries

import cv2

#影片輸入控制器

cap = cv2.VideoCapture("twofaces.mp4")

while True:

    ret, img = cap.read()

    if ret == False: break

    cv2.imshow('img', img)

    cal = cv2.mean(img)

    print(cal)

    key = cv2.waitKey(1)

    if key==27: break

cap.release()

cv2.destroyAllWindows()

二. 應用訓練模型

1. 利用Haar-like特徵所訓練出的模型偵測人臉。偵測模型：haarcascades

2. 相關套件：

• pip3 install opencv-python

3. 修改人臉偵測後的處理結果。

4. 結果說明文件：輸入資料，程式編輯，介紹程式FOR迴圈，終端機執行，執行結果說明，人工智慧修改程式，程式碼差異說明，測試結果說明，心得。

5. 程式碼：

# Import the necessary modules and libraries

import cv2

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades +'haarcascade_frontalface_default.xml')

#讀取辨識用影片檔

cap = cv2.VideoCapture("twofaces.mp4")

while True:

   ret, img = cap.read()

   if ret == False: break

   gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

   faces = face_cascade.detectMultiScale(gray, 1.1, 5, 4 )

   for (x, y, w, h) in faces:

      cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 1)

   cv2.imshow('img', img)

   key = cv2.waitKey(1)

   if key==27: break

cap.release()

cv2.destroyAllWindows()

三. 非監督式學習

1. 利用k-means分類人臉照片。

2. 相關套件：

• pip3 install opencv-python

• pip3 install matplotlib

• pip3 install scikit-learn

3. 調整k值n_clusters，實作分群影片中的人臉圖片，說明不同k值的分群結果。

4. 結果說明文件：輸入資料，程式編輯，人工智慧介紹程式，終端機執行，統計圖說明，分群結果說明，測試K值統計圖，測試K值分群結果，最適k值統計圖，最適分群結果，心得。

5. 程式碼：

# Import the necessary modules and libraries

import cv2

import numpy as np

import matplotlib.pyplot as plt

import os

import shutil

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades +'haarcascade_frontalface_default.xml')

#讀取辨識用影片檔

cap = cv2.VideoCapture("twofaces.mp4")

if os.path.isdir("data"):

   shutil.rmtree("data")

   os.mkdir("data")

else: os.mkdir("data")

#Data collection

num = 0

data = list()

while True:

   ret, img = cap.read()

   if ret == False: break;

   gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

   faces = face_cascade.detectMultiScale(gray, 1.1, 5, 4 )

   for (x, y, w, h) in faces:

      image = img[y: y+h, x: x+w]

      cv2.imwrite('data/%d.png'%num, image)

      #計算圖片特徵值

      data.append([np.std(image), np.mean(image)])

      num = num+1

      cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 1)

   cv2.imshow('img', img)

   k = cv2.waitKey(1)

   if k == 27: break

cap.release()

cv2.destroyAllWindows()

#Data scaling

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler().fit(data)

data = scaler.transform(data)

#使用k-means技術分群

from sklearn.cluster import KMeans

X = np.array(data)

y_p = KMeans(n_clusters=2).fit_predict(X)

plt.scatter(X[:, 0], X[:, 1], c=y_p)

plt.savefig('kmeans.png')

#修改檔案名稱標示分群結果

for i in range(num):

   os.rename('data/%d.png'%i, 'data/'+str(y_p[i])+('_%d.png'%i))

四. 類神經學習模型

1. 資料收集：輸入影片産生人臉偵測照片序列檔案，存放在兩個目錄，一個為辨識目標，一個為驗證資料。

2. 建立模型：利用類神經網路訓練程式，訓練人臉辨識模型，産生訓練結果模型檔。

3. 成果應用：執行臉部辨識程式，標示影像中的人臉。程式碼

4. 結果說明文件：輸入資料，人臉偵測程式碼，執行結果說明，收集資料，訓練模型程式碼，訓練結果說明，測試程式碼，測試結果說明，心得。

5. python3相關套件：

   • pip3 install opencv-python

   • pip3 install scikit-learn

6. 參考資料：類神經網路，偵測模型：haarcascades

五. 網路應用程式設計

1. 使用python3測試網路應用程式碼：

   • 一端執行為接收端，需選定通訊埠號1024-65535

   • 一端執行為傳送端，需給定連接位址及埠號。

2. 測試執行後，解釋程式中網路相關的運作過程，並新增功能，測試暴力破解程式

3. 結果說明文件：接收端程式說明，傳送端程式說明，測試結果說明，新增功能介紹，新增功能測試，暴力破解接收端，暴力破解傳送端策略，破解時間介紹，心得

六. 物件偵測程式

1.     實作物件辨識程式，檢視目前的物件辨識技術及可能的應用

2.     下載YOLOv7程式原始碼，安裝所需套件並執行測試

切換目錄：cd yolov7-main

安裝套件：pip3 install -r requirements.txt

影片測試：python3 detect.py --view-img --weights yolov7.pt --source yourvideo.mp4

3.     寫報告說明工作流程及結果：程式功能說明，偵測物件介紹(10)，執行結果(10)，新增功能介紹，新增功能測試，心得

議題融入：性別平等教育，環境教育，海洋教育

學習表現：能使用程式設計實現運算思維的問題解決方法。能應用運算思維評估問題解決方法的優劣。能選用適當的資訊科技與他人合作完成專題製作。