從大學一年級產學合作案開始累積經驗,包含了團隊合作、程式教學、參與展覽、參加全國性比賽等多元經驗。
在實習期間和第一份工作時,也學習到了許多不同領域的知識,包含全端開發、AWS
雲端伺服器架構、公司營運、與美術團隊合作、系統架構設計。
24 歲時與朋友共同創辦了海姆達爾智慧科技,負責 AI
系統開發、營運決策、人資、業務、出納、行銷、網頁設計、MIS
(網路環境架設、配電知識、實體防火牆、NAS、Gitlab
等公司運作所需服務)。
創業三年後,發現身體重要性和開始尋找人生目標,結束無休止的加班,固定頻率的運動和培養興趣。目前興趣包含固定時段健身、跑步、羽球、游泳、登山、閱讀、鋼琴課程、唱歌課程。
臺灣科技大學 - 資訊工程系學士 (2015~2019)
臺灣科技大學 - 資訊工程所碩士 (2019~2020)
在本次實習中,我負責了一個數位閱讀學習系統的網頁開發案,需求是使用 ASP.NET 開發一個讓學生自主學習網頁的前後端,並包含了供管理者對題庫和題目的 CRUD,圖形化顯示題庫和題目的關聯性。在過程中需要和老師開會溝通、和美術協調整體網頁 UI/UX 體驗,並考慮網頁在不同設備上的顯示與使用是否直覺且方便。
於智慧亨通股份有限公司工作時,主要使用負責多個前後端專案,主要使用 React (TypeScript) 搭配 Antd 開發前端, NestJS (TypeScript) 搭配 MariaDB (By TypeORM) 在進行開發後端。同時也有接觸系統與 AWS 串接與雲端服務維護等技術。
在 2021 年初,與朋友共同創辦了 海姆達爾智慧科技股份有限公司,一開始以交通相關 AI 辨識為主要業務,除了將交通相關接案轉換為產品外,也將 AI 作為利基核心,開發不同領域的產品,制定標準規格。在創辦公司的過程中不斷成長:
擔任教學及總務。負責 Python 爬蟲教學、JavaScript 課程助教、JavaScript workshop 助教
擔任教學長。負責規劃社課、統籌活動、社課教學
使用 TypeScript 及 Phaser 來寫遊戲畫面表現、特效以及前端邏輯處理,並和後端 API 連接。
和 NVR 廠商合作,目標是在全天候的狀況下都能有95%的車牌辨識成功率,並且和 NVR 做結合,即時監測經過 IP Camera 之車輛,並記錄車牌、車型、時間等資料在資料庫,最後透過網頁展示統計結果以及查詢車牌等功能。
在多媒體課程中與設計系合作設計 Kinect v2 所用的程式獲得第一名,後來參與前行意志當代藝術展,在展覽中展示作品一個月。
參加由鈊象電子舉辦的七校聯合遊戲比賽,以自製遊戲 Refuge 入圍決賽。
以自適應車牌辨識系統取得本系專題第一的獎項。
和設計系合作開發 iOS App 參加史丹佛銀髮設計競賽,想要改善現行片面、無感的退休財務資訊傳遞,重新設計整體、有感的退休規劃新體驗。透過遊戲化,將艱澀的專業知識轉譯成容易理解的內容藉由遊戲的互動操作,增加使用者對情境的代入感,進而反思真實人生,以現實世界的研究數據,進行遊戲中的事件設計,達到趨近真實體驗的可能性。
參加2019全國大專院校軟體創作競賽的智慧感知與互動多媒體組,隊名無辨,以全天候自動化車牌辨識系統獲得銅牌。
Gravity 是我寫的一款 iOS App 遊戲,操作簡單, 但難度高,具有挑戰性。點擊畫面左右可以往左右跳,避開往上的石塊以及四 周的邊界,當畫面出現顛倒的警告時,畫面會閃爍四次接著遊戲重力顛倒,死掉時紀錄最高分數,不斷挑戰自己的最高分。
easyMRT 是我寫的一款 iOS App,在 Search 頁面可以滾動選擇起點終點站,停止滾動時會顯示各種價 格及估計時間,點擊轉乘方式可以知道詳細的轉乘路線,在 Map 頁面可以點擊圖上的站選擇起點,點擊原本的站取消,點擊別的站為終點,按確認後移回 Search 頁面顯示詳細資訊。
Refuge這款遊戲結合了生存、建設、規劃、探索等等元素,玩家需要妥善分配資源及人力才 能夠在這個世界生存下來,並享受一個城市在自己的經營下慢慢成長茁壯的成就感。 玩家在發展時也要注意花費資源在保護自己上,否則遭遇攻擊時會有更大的損失。而在遊玩 途中,玩家會發現一個個小故事,慢慢的能夠由小細節拼湊出這個世界發生災難的主因。
但這款遊戲對當時的我負擔太重,在兼顧其他事務的狀況下開發,因此遊戲的完成度不高,在參加多校聯合舉辦的遊戲比賽中入圍決賽,可惜未能拿到獎項。
自動化車牌辨識在現代交通系統上有著越來越重要的地位,可以對車輛違規的行為進行24小時的監控、對違法車輛進行追蹤,或是裝設在停車場,節省人力以及管理成本。不過目前裝設在台灣的車牌辨識系統,大多都需要針對該場所調整系統的設定,或是加裝照明設備,讓整體環境符合系統需求才有辦法進行有效的辨識,而近幾年也有許多基於機器學習的車牌辨識系統,但大多都沒有考慮到產品需要的辨識速度及產品本身有限的成本,且沒有經過一個龐大且多樣化環境的數據集檢測。因此,在本文中,我們提出了一種有效、快速且能適應各種環境的車牌辨識系統。在使用 CPU i9-9900K 和 GPU RTX 2080 的硬體狀況下我們的系統能達到 64 FPS 的辨識速度,並對多個影像同時辨識進行了系統優化,同時辨識四個影像時也能達到 47 FPS 的辨識速度。
除了車牌辨識以外,本文還包含車輛、車牌及車牌號碼顏色辨識、車型辨識等功能,並對於臺灣交通法規定義之違法行為提出辨識方法,例如 : 區間測速計算方式、違規跨線偵測、車輛未保持安全距離偵測、摩托車未戴安全帽辨識等等。我們使用了 AOLP Dataset 對我們車牌辨識系統進行評估,我們達到了平均 99.29% 的辨識率,在測試只需使用部分 Module 的狀況下 (此 Dataset 測試方式只需從 Dataset 已有標記的車牌影像進行辨識,無須對車牌位置進行偵測),辨識速度更達到了 188 FPS。