隨著數位運算人工智慧的再次崛起，同時也伴隨著深度學習（Deep Learning)在各個領堿的大量應用與快速地發展。其中，物件辨識（Object Recognition)為一項不可或缺的項目，而深度學習與其緊緊相輔相成，自然也成為了現今電腦科學研究中的熱門選項之一。然而在百家爭鳴之餘，如何將物件辨識深度學習的流程建立給予其架構化，應該是一項更為重要的課題。
本研究採用結構行為合一（SBC)架構描述語言（ADL)，來描述架構導向物件辨識深度學習的流程建立（AOPEORDL)。透過系統行為、系統結構及結構行為合一之各個面向，AOPEORDL能很清楚地敘述出物件辨識深度學習的流程建立，這使得建構深度學習系統的資料科學家、資料分析師、資料輸入人員等能夠更輕鬆、更迅速地展現出他們的工作能力。
本研究最後以「系統及流程需求觀點」、「系統開發程序」、「系統維護」及「成本估算」等四項觀點將物件辨識深度學習的流程建立進行架構導向與非架構導向進行優、缺點探討，得知AOPEORDL確實具有模組化、結構化、高效率、容易理解等特性。

With the re-emergence of digital computing artificial intelligence, it is also accompanied by a large number of applications and rapid development of deep learning in various fields. Among them, Object Recognition is an indispensable project, and deep learning is closely complemented by it, and naturally it has become one of the popular options in computer science research today. However, apart from the controversy of a hundred schools of thought, how to build the process of object recognition deep learning should be a more important topic.
This research uses Structured-Behavior Coalescence (SBC)Architecture Description Language (ADL) to describe the process establishment of architecture-oriented object recognition deep learning (AOPEORDL). Through the integration of system behavior, system structure, and structural behavior, AOPEORDL can clearly describe the establishment of the process of object recognition deep learning, which enables data scientists, data analysts, data input personnel, etc. who construct deep learning systems to be better Demonstrate their ability to work easily and quickly.
At the end of this study, the process establishment of object recognition deep learning was examined based on four points of view: “System and Process Requirements Viewpoint”, “System Development Process”, “System Maintenance“ and “Cost Estimation”, and the advantages and disadvantages of the architecture-oriented and non-architectural-oriented were discussed. It was learned that AOPEORDL does have the characteristics of modularity, structured, high efficiency, and easy to understand.

論文審定書 i
論文提要 ii
中文摘要 iii
Abstract iv
目錄 v
圖次 viii
表次 x
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 2
1.4 研究方法 2
第二章 文獻探討 5
2.1 物件辨識及深度學習 5
2.2 物件辨識深度學習的流程建立 6
2.3 SBC架構 7
2.3.1 SBC架構內涵 8
2.3.2 SBC架構描述語言（SBC Architecture Description Language） 9
2.3.3 架構階層圖 9
2.3.4 框架圖 10
2.3.5 構件操作圖 11
2.3.6 構件連結圖 11
2.3.7 結構行為合一圖 12
2.3.8 互動流程圖 12
第三章 架構導向物件辨識深度學習的流程建立 13
3.1 AOPEORDL架構階層圖 13
3.2 AOPEORDL框架圖 14
3.3 AOPEORDL構件操作圖 16
3.4 AOPEORDL構件連結圖 25
3.5 AOPEORDL結構行為合一圖 30
3.6 AOPEORDL互動流程圖 33
3.6.1 原始資料收集行為 33
3.6.2 標記行為 34
3.6.3 資料清理行為 35
3.6.4 特徵工程行為 36
3.6.5 資料切割行為 38
3.6.6 神經網路架構設計行為 39
3.6.7 神經網路模型訓練行為 40
3.6.8 神經網路模型準確度計算行為 41
3.6.9 物件辨識模型上線使用行為 42
3.6.10 物件辨識準確度月底報表行為 43
第四章 AOPEORDL與非架構導向深度學習流程建立之比較 45
4.1 系統及流程需求觀點 45
4.1.1 非架構式系統及流程需求觀點 46
4.1.2 AOPEORDL架構式系統及流程需求觀點 50
4.1.3 AOPEORDL系統及流程需求觀點與非架構導向比較 54
4.2 系統開發程序觀點 57
4.2.1 非架構式系統開發程序觀點 60
4.2.2 AOPEORDL系統開發程序觀點 61
4.2.3 AOPEORDL系統開發程序觀點與非架構導向比較 64
4.3 系統維護觀點 65
4.3.1 非架構導向系統維護觀點 66
4.3.2 AOPEORDL系統維護觀點 67
4.3.3 AOPEORDL系統維護觀點與非架構導向比較 68
4.4 成本估算觀點 69
4.4.1 非架構導向成本估算觀點 70
4.4.2 AOPEORDL成本估算觀點 71
4.4.3 AOPEORDL成本估算觀點與非架構導向比較 73
第五章 結論與建議 75
5.1 研究結論 75
5.2 研究貢獻與建議 76
參考文獻 77

[1] Haugeland, J. (1985). Artificial Intelligence: The Very Idea. United States: Cambridge.
[2] Wikipedia. (n.d.). John Macrthy. Retrieved from https://en.wikipedia.org/wiki/John_McCarthy
[3] Wikipedia. (n.d.). Machine Learning. Retrieved from https://en.wikipedia.org/wiki/Machine_learning
[4] Wikipedia. (n.d.). Deep Learning. Retrieved from https://en.wikipedia.org/wiki/Deep_learning
[5] Wikipedia. (n.d.). Alpha GO. Wikipedia. (n.d.). https://zh.wikipedia.org/wiki/AlphaGo
[6] YourFreeTemplates. (2017, May 24). Free Machine learning diagram. Retrieved from https://yourfreetemplates.com/free-machine-learning-diagram
[7] Wikipedia. (n.d.). Geoffrey Everest Hinton. Retrieved from https://en.wikipedia.org/wiki/Geoffrey_Hinton
[8] 趙善中、孫述平（2016）。軟體工程2.0：使用SBC軟體架構。高雄市：阜盛文教。
[9] 劉紹輝（2019）。計算機視覺。北京市：電子工業出版社。
[10] Zou X. (2019). A Review of Obejct Detection Techniques. 2019 International Conference on Smart Grid and Electrical Automation (ICSGEA), 251-254, doi: 10.1109/ICSGEA.2019.00065.
[11] Kwang G. K. (2016). Deep Learning. doi: https://doi.org/10.4258/hir.2016.22.4.351
[12] Wikipedia. (n.d.). Workflow Diagram. Retrieved from https://en.wikipedia.org/wiki/Flowchart
[13] 柯利韋（無日期）。資訊系統開發模式之演進。取自：https://reurl.cc/noZy3D
[14] Larman C. and Basili R. V. (2003). Iterative and Incremental Development: A Brief History. IEEE COMPUTER SOCIETY, 36, 47-56.
[15] Mellor J. S., Scott K, Uhl A. and Weise D. (2004). MDA Distilled： Principles of Model Driven Architecture. Boston: Addison-Wesley Professional.
[16] Wikipedia. (n.d.). Object Management Group. Retrieved from https://en.wikipedia.org/wiki/Object_Management_Group