第25個冬天

三種在文獻回顧中替自己研究論證的方式 https://www.editing.tw/blog/three_ways_to_do_literature_review_arguments 批判到創新 https://events.linkingbooks.com.tw/LNB/top/2024/linkingschool/page12.html 問題意識 https://vocus.cc/article/5cfca9d9fd8978000165cb6d 論文口試重點：找缺口、找問題、找邏輯【李慶芳】 https://reswithoutnumbers.blogspot.com/2015/08/blog-post.html 畢業專題小札記11：製作文獻矩陣，釐清文獻脈絡並找出研究缺口 https://zhenblog.hazelnut-paradise.com/archives/lineliteshop1.0-11

稍微做一些工作以來常見聽到的術語 ISA-95  是由 International Society of Automation（ISA）所制定，為製造業最重要的系統整合標準之一。 主要定義了企業系統與製造現場之間如何整合與分工，幫助企業建立清晰的資訊架構與系統邊界。 在Level4主要有比較上游的有ERP(企業資源、財務會計)、SCM(供應鏈管理) 在Level3主要有MES、跟其週邊子系統(RMS、WMS、FDC、SPC...等等) 在Level2跟Level1就更靠近產線第一現場設備端的感測器、數據收集、設備通訊協定等 製造資源 :人、機、料、法、環 人:人員 機:機器(機器設備、精度和維護保養狀況) 料:材料(材料的成分、物理性能和化學性能) 法:做事方法(包括加工工藝、工裝選擇、操作規程等。) 環:環境(溫度、濕度、照明和清潔條件) https://www.digitimes.com.tw/tech/dt/n/shwnws.asp?id=0000212347_JLY26TEU5S5ZF66YYKXFL MES(Manufactuing Execution System)/製造執行系統 一種用於「生產過程之監控與管理」、「生產績效評量」以及「製造資源管理」的軟體系統 主要扮演連結ERP跟現場自動化設備之間關鍵橋梁。 協助「製造執行」以及製程之全面 「監控」與「管理」，以優化生產 、提升生產績效。 工廠最終目標:生產最高的 品質 產品、 效率 要高 成本 也要低、 交期 要準時。 MES可即時蒐集與分析生產線場資料，例如工單執行狀況、設備運轉、品質檢驗跟人員作業資訊，協助企業提升生產透明度、優化製程效率、確保產品品質。最終即時決策與持續改善。 生產循環PDCA P(Plan)生產規劃 原物料需求規劃、準備 主生產排程計畫(MPS,Master Production Schedule) 生產排程規劃 人力安排 設備安排 D(Do)製造執行 資料收集 防錯(呆) 作業輔助 決策支援 智慧設備、工具 C(Check)生產監控 異常偵測 趨勢分析/預防 現況掌握 原因、對策分析 A(Action)績效評量 評量(計算、比較)、經驗累積 iMES(智慧製造執行系統) 智慧決策跟自主優化平台，別於過去原因決策透過AI輔助自動決策。 而傳統MES是處於被動管理，iME...

論文名稱:A Deepfake Detection Algorithm Based on Fourier Transform of Biological Signal 發表時間:2024 年 6 月 20 日 論文連結:  https://www.sciencedirect.com/org/science/article/pii/S1546221824000511 https://www.techscience.com/cmc/v79n3/57116/html 研究問題: 許多研究人員開發了專注於生物辨識特徵的檢測方法。這些方法利用分類網路來分析遠端光電容積圖（rPPG）訊號的時域和頻域特徵，從而獲得極高的檢測準確度。 在頻域分析中，現有方法通常 僅考慮功率譜密度，而忽略了振幅譜 。 學者們提出透過遠端光電容積圖從多個感興趣區域提取 rPPG 訊號，並使用快速傅立葉變換（FFT）進行處理。生成的 時頻域訊號樣本 被組織成矩陣以創建 矩陣視覺化熱圖（MVHM） ，隨後用於訓練影像分類網路。 核心貢獻: 1.學者們體認到傅立葉轉換作為頻域表示法的重要性，並將人臉影片編碼為矩陣視覺化熱圖（MVHM），以輸入影像分類網路。並於公開資料集 DeepFakeTIMIT 上的實驗顯示，本演算法達到了 99.2% 的準確率，這表明與功率譜密度（PSD）相比，遠端光電容積脈搏波（rPPG）生物特徵訊號的快速傅立葉轉換（FFT）包含更多用於區分真假人臉的判別資訊。 2.空間注意力機制在提升 VGG19 網路性能方面發揮了關鍵作用，增幅高達 9.38 個百分點。 使用的資料集: DeepfakeTIMIT https://www.idiap.ch/en/scientific-research/data/deepfaketimit 筆記: 在時域中，我們可從rPPG 生物特徵訊號去直觀地觀察振幅隨時間變化的情形。其表現出的週期性和波形形狀有效地反映了心臟活動。 在頻域中，訊號主要以兩種形式呈現： 振幅譜:提供對訊號頻率組成的見解，指出哪些頻率最為顯著，或訊號能量主要集中在何處。 功率譜密度（PSD）:描述了功率隨頻率分佈的函數，用於識別和分析訊號內的雜訊與振盪。

論文名稱:FakeCatcher: Detection of Synthetic Portrait Videos using Biological Signals 發表時間:2020 年 7 月 15 日 作者: 紐約州立大學賓漢頓分校-電腦科學系:Lijun Yin、Umur Aybars Ciftci  Intel Corp:Ilke Demir 論文連結:  https://ieeexplore.ieee.org/document/9141516 https://arxiv.org/abs/1901.02212 發布期刊: IEEE Transactions on Pattern Analysis and Machine Intelligence 研究問題 提出一種透過生物訊號新方法來檢測人像影片中是否有合成內容，作為應對深度偽造威脅的預防性解決方案。 Deepfake影片相較於靜態影像，又多一個時間維度。因此 時序一致性 和 空間一致性 則共同構成偵測真實內容的關鍵先驗條件。 針對來自不同臉部區域的訊號、在影像失真情況下、不同片段長度、來自不同生成器的內容、未見過資料集，以及採用多種維度縮減技術等情境，進行分析。 基於偽造內容無法在時空維度上完整保留生物訊號之特性，學者提出假設：人像影片中隱藏的生物訊號，可作為判定影像真實性的隱含描述符。為驗證並落實此一論點，本文依序完成以下實踐： 首先學者們針對 成對分離問題 進行了 數種訊號變換 ，並達成了 99.39% 的準確度。  其次，學者們透過分析所提出的訊號變換及其對應的特徵集，將這些發現應用於建構一個針對偽造內容的通用分類器。 第三，學者們生成新型訊號地圖，並運用卷積神經網路（CNN）來改進傳統分類器，以提升對合成內容的偵測能力。 提出的方法能達到更顯著高的偵測率，且不受偽造內容的來源、生成器或特性的影響。 核心貢獻: 針對生物訊號的空間相干性與時間一致性，提出訊號轉換的建模方法與實驗驗證，以應用於成對及一般真實性分類。 一種可在真實環境中運作、兼具通用性與可解釋性的深度偽造偵測器。 一種用於訓練神經網路以進行真偽鑑別的創新生物訊號地圖建構方法。 一套多樣化的肖像影片資料集，用以建立一個用於在真實環境中檢測偽造內容的測試平台。 研究背景: 近期偽造人像影片的泛濫，對社會、法律及隱私...

(2023)A Comparison of Face Landmark Detection Techniques https://ieeexplore.ieee.org/document/10449635 此篇論文實驗採用Yale Face Database作為比較人臉標記點識別系統效能的資料庫。 此資料庫包含 15 位受試者的多張照片，呈現多樣化的面部表情與各種光照條件，總計 165 張 GIF 格式的灰階影像(影像為單通道)。 每位受試者各有 11 張照片，分別對應以下面部表情：中央光源、戴眼鏡、歡樂；左側光源、不戴眼鏡、正常； 右側光源、悲傷；昏昏欲睡；驚訝；以及眨眼。 Mediapipe Face Landmarker 的結果比 Dlib 的 68 點臉部標記點偵測技術稍好一些。 Mediapipe 臉部標記器僅適用於 3 通道的影像，因此對 1 通道的影像無效。 (2024)A Comprehensive Survey and Evaluation of MediaPipe Face Mesh for Human Emotion Recognition https://ieeexplore.ieee.org/document/10775188 =>學者去比較三種臉部特徵點偵測工具框架，採用相同的幀資料，並比較 MediaPipe 與 DLIB 及 OpenPose 等其他開源模型的準確度。 MediaPipe Face Mesh 468 個 3D 臉部標記點的準確度為98.8% Dlib's 68-point face landmark detection 的準確度為96.5% OpenPose 的準確度為 94.7% (2024)Real-time Performance Comparison of Face Detection Algorithms using Raspberry Pi International Research Journal on Advanced Engineering Hub (IRJAEH) ,ISSN:2584-2137 ->不是出自好的期刊出版機構 https://irjaeh.com/index.php/journal/article/view/394 此篇論文研究回顧了諸如Viola-Jones ...

  2026年IEEE 針對Deepfake兩篇Review論文 Explainable Deep Learning for Digital Image Forgery Detection: A Systematic and Critical Review https://ieeexplore.ieee.org/document/11467619 大多數鑑識框架使用二元分類結果 真正例（True Positives, TP）、偽陽性（False Positives, FP）、偽陰性（False Negatives, FN）與真陰性（True Negatives, TN）來評估檢測準確度與定位可靠性 精確率（Precision）、召回率（Recall）、F1 分數（F1-score）、交集比並（Intersection over Union, IoU）、準確率（Accuracy）以及馬修斯相關係數（Matthews Correlation Coefficient, MCC）是最常被採用的衡量指標 Conclusion 即時或大規模的鑑識部署亦具挑戰性，資源與限制仍是部署上的瓶頸。 未來研究應探討可於裝置端或雲端輔助分析上使用的輕量、低成本且具可擴展性的平臺。 Deepfake Detection in Images and Videos: A Comprehensive Review of Techniques and Challenges https://ieeexplore.ieee.org/document/11570319 深偽偵測方法 Image-Based Deepfake Detection Video-Based Deepfake Detection Graph-Based Deepfake Detection Ensemble and Hybrid Deepfake Detection Conclusion and future work 現有方法仍在產生高品質 deepfake、跨資料集泛化（過度擬合）、資料集多樣性不足以及在計算資源受限情況下運作等方面面臨挑戰。 未來的工作應著重於開發在未見操控技術與多樣化實際情境下仍具穩健性與泛化能力的偵測框架。諸如視覺與音訊等多模態資料能大幅提升偵測效能。 除此之外，亦需研發輕量且高效的模型，以便在應...

Do Deepfakes Adequately Display Emotions? A Study on Deepfake Facial Emotion Expression https://pmc.ncbi.nlm.nih.gov/articles/PMC9596270/#B15 用Dataset :Celeb-DF Detecting Deepfakes using Temporal Consistency of Facial Expression Transitions https://ieeexplore.ieee.org/document/11268852 用Dataset : DeeperForensics-1.0 Emotion-Audio-Visual Alignment for Deepfake Detection: A Multimodal Semantic Inconsistency Approach https://assets-eu.researchsquare.com/files/rs-9202918/v1_covered_949e2635-99a4-47aa-b8ca-7552dda9f330.pdf?c=1781879317 為什麼需要在臉部表情分析中使用自定義表情呢？ - Noldus https://humansci.kyst.com.tw/blog/detail/881 FaceReader™ 臉部表情分析軟體 https://humansci.kyst.com.tw/Facereader?page=1&limit=30&lv1=30 情緒辨識AI技術介紹 https://ai.iias.sinica.edu.tw/emotion-ai-tech-intro/ 情緒辨識與年齡偵測(Deepface 函式庫) https://steam.oxxostudio.tw/category/python/ai/ai-emotion.html Facial Action Coding System (FACS) – A Visual Guidebook https://imotions.com/blog/learning/research-fundamentals/facial-action-coding-system/?s...

Opencv人臉檢測內建的是CascadeClassifier (級聯檢測)，採用Haar特徵。 透過正負樣本訓練得到級聯方程式 Haar-like Features 是一種量化描述影像特徵的方法，藉由定義不同的模板實踐邊緣特徵、線性特徵、中心或對角線特徵的計算。 例如人臉影像中，可直觀去感受到眼睛比雙頰顏色在深色一些，鼻樑兩側要比鼻樑顏色更深。 嘴巴比周圍顏色深諸如此類。如此我們可設計不同尺寸、角度的特徵模板進行計算。 在人臉偵測中Haar-like Features，它不直接判斷一個像素的顏色，而是比較影像中相鄰矩形區域的亮度差異，藉此描述人臉的局部結構。 例如，人臉通常具有以下明暗規律： 眼睛區域通常比臉頰暗。 眉毛通常比額頭暗。 鼻樑通常比鼻子兩側亮。 嘴巴通常比周圍皮膚暗。 一個 Haar 特徵通常由白色與黑色矩形區域組成，其特徵值可表示為： Haar特徵值=白色區域像素總和−黑色區域像素總和 如果這個差值符合訓練時所學到的人臉明暗關係，就可能被判定為人臉特徵。 Viola-Jones 人臉偵測法使用 積分影像，讓任意矩形區域的像素總和只需要查詢四個位置。 也就是從影像左上角到目前位置之間，所有像素值的總和。 對一個矩形區域，假設四個角的積分影像值為 A、B、C、D，矩形內像素總和可快速計算為： 矩形總和=D−B−C+A 因此，不論矩形有多大，都只需要少量加減法，這也是 Haar Cascade 能在 CPU 上快速執行的重要原因。 Haar 特徵與 AdaBoost 的關係 AdaBoost 的任務就是從大量 Haar 特徵中，挑選最有用的特徵。 每一個 Haar 特徵可以形成一個簡單的弱分類器： Haar Cascade 人臉偵測流程 將影像轉換為灰階影像。 建立積分影像。 使用不同大小的視窗掃描整張影像。 在每個視窗中計算 Haar 特徵。 使用 AdaBoost 選出的弱分類器進行判斷。 將弱分類器安排成多階段級聯結構。 任一階段未通過，就排除該視窗。 通過全部階段的區域，視為可能的人臉。 合併彼此重疊的人臉框，得到最終偵測結果。 C++程式碼 #include <opencv2/opencv.hpp> #include <iostream> #include <direct.h> // _getc...

  首先到opencv org官方網站 https://opencv.org/releases/ 去下載解壓安裝包 執行安裝精靈程式後會自動解壓到指定目錄 先將bin目錄複製起來 E:\Libraries\opencv\build\x64\vc16\bin 開啟設定=>【系統資訊】 =>點選【進階系統設定】=>點選【環境變數】 到下方【系統變數】=>點選【Path】=>之後再點選【編輯】=>開啟【編輯環境變數】跳窗 =>新增貼上 後續再連點3次確定關閉視窗返回主畫面。 開啟Visual Studio 2022 新增主控台應用程式專案 配置include目錄 E:\Libraries\opencv\build\x64\vc16\lib 配置連結器 => 其他程式庫目錄 配置連結器 =>輸入=>打上  opencv_world4120d.lib 測試程式碼 #include <opencv2/opencv.hpp> #include <iostream> using namespace cv ; int main () { std::cout << "OpenCV: " << CV_VERSION << std::endl; Mat img = cv::imread( "C:/img/Bike_Unbrella.jpg" ); namedWindow( "First OpenCV Application" , WINDOW_AUTOSIZE); cv::imshow( "First OpenCV Application" , img); cv::moveWindow( "First OpenCV Application" , 0 , 45 ); cv::waitKey( 0 ); cv::destroyAllWindows(); return 0 ; } 執行效果 Ref: OpenCV C++ on Windows — Visual Studi...