- Jobs
ResumeCreate your job-winning resume using our free resume builder.
PortfolioShowcase your skills and projects with a professional portfolio.ResumeCreate your job-winning resume using our free resume builder.Resume BuilderMake a resume for free.Resume TemplatesAccess our extensive library of professional & ready-to-use templates.Resume ExamplesGet inspired by real resume examples to create your own.Occupation GuideAccess resume writing guides tailored for different professions.Resume HelpGet expert advice on all things resume from our team of recruitment specialists.- ResourcesSuccess StoriesBusiness ExcellenceAbout CakeResumeFeatured Reads
- Hire
- Download our App
CakeResume Talent Search
El plan de reclutamiento más ligero y eficaz
Busque currículums y tome la iniciativa de ponerse en contacto con los solicitantes de empleo para lograr una mayor eficacia en la contratación. La elección de cientos de empresas.
- Examinar todos los resultados de la búsqueda
- Acceso ilimitado para iniciar nuevas conversaciones
- currículos accesibles sólo para empresas de pago
- Ver dirección de correo electrónico y números de teléfono de los usuarios
Definition of Reputation Credits
吳俊融 Jun Rong Wu
- 畢業於國立雲林科技大學 電機工程所 碩士班
- 專業技能：機器學習(AI、ML)演算法開發、模型優化/輕量化、微控制器(MCU)開發
- 擁有將機器學習模型安裝於微控制器上並且實現邊緣運算的經驗
- 論文研究為將機器學習模型安裝於微控制器上，實現光紋定位、光紋身份鑑別
技能
程式語言
- Python
- Tensorflow/Keras
- C/C++
- MATLAB
- JavaScript/HTML/CSS
MCU/MPU
- Renesas RX65N
- Renesas RX62T
- Renesas RX231
- ARM Cortex M4
- ARM Cortex A8(Pocket Beagle)
專案經驗
室內光紋定位
此為碩論的主要研究之一，使用光電二極體感測室內照明設備所發出的光源，並將資料透過FFT轉換至頻譜，分析主要特徵分佈。在資料前處理部分，使用尺度轉換演算法來精簡樣本點數與放大特徵表現，並交由機器學習進行訓練。完成GS模型最佳化後，將所訓練之模型安裝於低成本的MCU於實際場域進行測試。最終可成功辨別室內不同位置的光紋，並且在實際的線上測試，亦達到100%的準確率。
應用模型：ANN、CNN、AE、GAN、ACGAN
實現平台：Renesas RX65N、Pocket Beagle
得獎紀錄：2020日本東京創新天才國際發明展 金牌
系統架構圖
實驗場域手機光紋身份鑑別
亦為碩論的主要研究之一，藉由手機內部零組件皆存在細微誤差的原理，造成每一部手機螢幕所發出來的光皆有各自獨特的特徵。由PD進行取樣後轉換至頻譜，再結合機器學習模型進行訓練，並比較不同演算法的效果，使用Bayesian Optimization對各模模型完成參數最佳化，選擇一組可有效辨別各個手機光源以及能準確過濾資料庫樣本外的手機光源的模型，最終獲得異常樣本檢測率99.85%、整體準確率99.67%的效果。在此應用中發揮了光紋高安全性的特色，可於大樓門禁中導入使用。
應用模型：AE、Multi Classification Greedy AE、VAE、Domain Adaptation
實現平台：Renesas RX65N
得獎紀錄：2021日本東京創新天才國際發明展 金牌
MCGAE模型架構
取樣與估測硬體電路放電加工擊穿檢測
在放電加工機台的加工過程中，擁有多層結構的航太料件在擊穿當下需要立即停止加工，避免傷及下一層結構。在此專案中，透過擷取加工過程中機台的電壓、電流參數，並且分析擊穿前後的參數差異。將時域、頻域之資料導入機器學習模型進行訓練，僅採用擊穿前資料進行擬合；最終在一般銅柱獲得99.01%準確率、航太料件獲得76.53%準確率。
應用模型：AutoEncoder
實現平台：PC
實際加工過程
模型檢測過程
筷管孔徑檢測
此為碩士期間練習的專案，使用機器學習識別AOI的數據，將所拍攝的影像經過影像處理OpenCV計算(包含灰階、二值化、邊緣、連結、圓擬合、橢圓擬合、最小外切圓、最大外切圓)資訊。將所得的資訊經由機器學習中的ANN、CNN演算法進行訓練，使用Cross Validation進行評估，並且使用GS進行超參數最佳化，最終可成功辨識輸入筷管影像為無料、正常、過大、過小或變形狀態，準確率可達98.6%(人工設立條件僅91%之準確率)。
工作分配：影像識別演算法
應用模型：ANN、CNN
實際場域圖實現平台：PC
實際拍攝圖
影像處理過程
皮膚黑色素瘤分類
這個專案是在Kaggle上練習的題目；皮膚癌是最普遍的癌症類型，其中黑色素瘤的致命率最為嚴重，儘管它是最不常見的皮膚癌，但仍佔皮膚癌死亡人數的 75%。在此題目中，提供病人身上可能為病灶的影像，影像有大小不依、正常/異常樣本比例不均的狀況，因此將影像大小進行校正後，再使用影像擴增平衡樣本不均問題，接著使用五種開源演算法進行遷移式學習(其中包含：VGG16、Resnet-50、Xception、Densenet-169、EfficientNets-B0)，最終在測試數據上獲得79.24%的準確率。
工作分配：影像識別演算法
應用模型：VGG16、Resnet-50、Xception、Densenet-169、EfficientNets-B0
GUI預測介面實現平台：PC
演算法結果比較
吳俊融 Jun Rong Wu
- 畢業於國立雲林科技大學 電機工程所 碩士班
- 專業技能：機器學習(AI、ML)演算法開發、模型優化/輕量化、微控制器(MCU)開發
- 擁有將機器學習模型安裝於微控制器上並且實現邊緣運算的經驗
- 論文研究為將機器學習模型安裝於微控制器上，實現光紋定位、光紋身份鑑別
技能
程式語言
- Python
- Tensorflow/Keras
- C/C++
- MATLAB
- JavaScript/HTML/CSS
MCU/MPU
- Renesas RX65N
- Renesas RX62T
- Renesas RX231
- ARM Cortex M4
- ARM Cortex A8(Pocket Beagle)
專案經驗
室內光紋定位
此為碩論的主要研究之一，使用光電二極體感測室內照明設備所發出的光源，並將資料透過FFT轉換至頻譜，分析主要特徵分佈。在資料前處理部分，使用尺度轉換演算法來精簡樣本點數與放大特徵表現，並交由機器學習進行訓練。完成GS模型最佳化後，將所訓練之模型安裝於低成本的MCU於實際場域進行測試。最終可成功辨別室內不同位置的光紋，並且在實際的線上測試，亦達到100%的準確率。
應用模型：ANN、CNN、AE、GAN、ACGAN
實現平台：Renesas RX65N、Pocket Beagle
得獎紀錄：2020日本東京創新天才國際發明展 金牌
系統架構圖
實驗場域手機光紋身份鑑別
亦為碩論的主要研究之一，藉由手機內部零組件皆存在細微誤差的原理，造成每一部手機螢幕所發出來的光皆有各自獨特的特徵。由PD進行取樣後轉換至頻譜，再結合機器學習模型進行訓練，並比較不同演算法的效果，使用Bayesian Optimization對各模模型完成參數最佳化，選擇一組可有效辨別各個手機光源以及能準確過濾資料庫樣本外的手機光源的模型，最終獲得異常樣本檢測率99.85%、整體準確率99.67%的效果。在此應用中發揮了光紋高安全性的特色，可於大樓門禁中導入使用。
應用模型：AE、Multi Classification Greedy AE、VAE、Domain Adaptation
實現平台：Renesas RX65N
得獎紀錄：2021日本東京創新天才國際發明展 金牌
MCGAE模型架構取樣與估測硬體電路放電加工擊穿檢測
在放電加工機台的加工過程中，擁有多層結構的航太料件在擊穿當下需要立即停止加工，避免傷及下一層結構。在此專案中，透過擷取加工過程中機台的電壓、電流參數，並且分析擊穿前後的參數差異。將時域、頻域之資料導入機器學習模型進行訓練，僅採用擊穿前資料進行擬合；最終在一般銅柱獲得99.01%準確率、航太料件獲得76.53%準確率。
應用模型：AutoEncoder
實現平台：PC
實際加工過程
模型檢測過程
筷管孔徑檢測
此為碩士期間練習的專案，使用機器學習識別AOI的數據，將所拍攝的影像經過影像處理OpenCV計算(包含灰階、二值化、邊緣、連結、圓擬合、橢圓擬合、最小外切圓、最大外切圓)資訊。將所得的資訊經由機器學習中的ANN、CNN演算法進行訓練，使用Cross Validation進行評估，並且使用GS進行超參數最佳化，最終可成功辨識輸入筷管影像為無料、正常、過大、過小或變形狀態，準確率可達98.6%(人工設立條件僅91%之準確率)。
工作分配：影像識別演算法
應用模型：ANN、CNN
實際場域圖實現平台：PC
實際拍攝圖
影像處理過程
皮膚黑色素瘤分類
這個專案是在Kaggle上練習的題目；皮膚癌是最普遍的癌症類型，其中黑色素瘤的致命率最為嚴重，儘管它是最不常見的皮膚癌，但仍佔皮膚癌死亡人數的 75%。在此題目中，提供病人身上可能為病灶的影像，影像有大小不依、正常/異常樣本比例不均的狀況，因此將影像大小進行校正後，再使用影像擴增平衡樣本不均問題，接著使用五種開源演算法進行遷移式學習(其中包含：VGG16、Resnet-50、Xception、Densenet-169、EfficientNets-B0)，最終在測試數據上獲得79.24%的準確率。
工作分配：影像識別演算法
應用模型：VGG16、Resnet-50、Xception、Densenet-169、EfficientNets-B0
GUI預測介面實現平台：PC
演算法結果比較