研究動機
在台灣的山區有很多在地的果園，而台灣的果園普遍都有猴害的問題，由於果園的所在地並不一定都在果農的居住地附近，且多數都在山中，無法進行適當的果園管控，且由於採收方式的關係，很難在所屬果園的周圍都架上圍籬、電網等，會導致收成上的不便。
基於上述原因，我們決定開發一個能夠自主辨識入侵的猴子，並且能夠與射擊槍座連動，依據目前猴子的所在位置，對猴子進行驅趕的裝置。
研究方法
-
自從2012以後的硬體計算能力終於可以支持深度學習大量的矩陣運算，深度學習應用開始蓬勃發展，也使在圖像辨識上的應用發展也越來越多樣、越來越精確。而此次我們選擇的影像辨識是今年2022七月由yolo-fastest演化來的第二代yolo-fastestv2。作者設計yolo-fastest的初衷是因為大多數影像辨識的演算法都較適合運用在CISC等較能夠支持複雜運算的設備上，但ARM架構的嵌入式系統就很難去使用這些以深度學習為基礎的影像辨識演算法。因此作者便將yolov3進行輕量級的優化，一樣是套用darknet的環境。但隨著yolov5 anchor機制出來，作者又將此機制套入yolo-fastest延伸出yolo-fastestv2，此演算法使參數量下降至250K，也達到更快的辨識速度。
-
而硬體方面除了考慮到所需要硬體規格，還有就是設置的便利性，我們選用的是近來運用範圍很廣的樹梅派(raspberry)，他屬於ARM架構的嵌入式系統。他除了有自己的作業系統，另外也支持數十種作業系統、內搭載WIFI、藍芽、四核ARM，更擁有其他競爭者所沒有的CSI、DSI特有介面，用來連接攝影機與觸控顯示器，同時也推出相對應的攝影機、夜視攝影機（影像感測器內移除紅外線濾光片）、觸控顯示器等配件，支援雙螢幕，畫質也可達到4K、與60HZ更頻率，符合我們此次的需求。
研究流程
硬體選擇：
Raspberry pi 4B
-
優點:
-
TX2等嵌入式裝置，價格不但低了許多，尺寸也媲美ARDUINO，而運算能力也足夠深度學習的使用需求。
-
-
缺點：
-
面對深度學習所需的運算能力只是堪用，較難進一步增加其演算法複雜度。
-
硬體選擇：
Raspberry pi 相機模組
我們此次專題所使用的攝影機為Raspberry Pi Camera Module ，其優缺點如下:
-
優點:
-
傳輸速率快
-
-
缺點:
-
CSI 介面，所以無法使用在其他的控制板或是電腦上1080p，只適合用在近距離拍攝。
-
伺服馬達
我們此次使用的馬達為MG995伺服馬達其規格如下表
考量因素為：
-
轉動穩定度
-
最高載重能力、扭力
-
價格
