已經跟呼吸一樣重要的網路和手機論文書籍站
單位矩陣運算的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學
單位矩陣運算的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦洪錦魁寫的 Python - 最強入門邁向數據科學之路：王者歸來（全彩印刷第三版）【首刷獨家限量贈品-程式語言濾掛式咖啡包】 和洪錦魁的 Python-最強入門邁向數據科學之路：王者歸來(全彩印刷第三版)都 可以從中找到所需的評價。
另外網站使用Python 來認識矩陣. 透過NumPy | by Yao-Jen Kuo | Pyradise也說明：有鑑於此，本文均採用ndarray 來探索矩陣的運算與特性。 ... 單位矩陣（Identity Matrix）：以大寫英文字母I 表示，NumPy 建立單位矩陣的方法是 np.eye() 取I 與Eye ...
這兩本書分別來自深智數位 和深智數位所出版 。
中原大學 電機工程學系 廖裕評所指導 吳子健的 基於深度學習之視覺辨識之除蟲機器人 （2021），提出單位矩陣運算關鍵因素是什麼，來自於人工智能、深度學習、麥克納姆輪、深度攝影機、PID控制、機器人。
而第二篇論文朝陽科技大學 工業工程與管理系 林宏達所指導 鄭丞凱的 電腦視覺技術應用於手工具組裝之零件瑕疵檢驗 （2021），提出因為有 自動化檢驗、手工具組裝、瑕疵檢驗、R-CNN網路模式的重點而找出了 單位矩陣運算的解答。
最後網站矩陣計算器則補充：加法、乘法、矩陣求逆、計算矩陣的行列式和秩、轉置矩陣、對角矩陣、三角矩陣、提升冪.
Python - 最強入門邁向數據科學之路：王者歸來（全彩印刷第三版）【首刷獨家限量贈品-程式語言濾掛式咖啡包】
為了解決單位矩陣運算 的問題，作者洪錦魁 這樣論述：
Python最強入門 邁向數據科學之路 王者歸來 第3版 【首刷獨家限量贈品- Python 濾掛式咖啡包】 數量：限量300包 咖啡風味：花神+黃金曼特寧 研磨刻度：40刻度 填充刻度：10g 製造/有效日期，18個月 ★★★★★【33個主題】、【1200個Python實例】★★★★★ ★★★★★【1500個重點說明】★★★★★ ★★★★★【210個是非題】、【210個選擇題】、【291個實作題】★★★★★ Python語言是基礎科學課程，撰寫這本書時採用下列原則。 1：強調Python語法內涵與精神。 2：用精彩程式實例解說
。 3：科學與人工智慧知識融入內容。 4：章節習題引導讀者複習與自我練習。 相較於第2版，第3版更加強數據科學與機器學習的內容，與相關模組的操作，同時使用更細緻的實例，增加下列知識： ★解說在Google Colab雲端開發環境執行 ☆解說使用Anaconda Spider環境執行 ★PEP 8，Python設計風格，易讀易懂 ☆Python語法精神、效能發揮極致 ★遞迴函數徹底解說 ☆f-strings輸出徹底解說 ★電影院訂位系統 ☆靜態與動態2D ~ 3D圖表 ★Numpy數學運算與3D繪圖原理 ☆Pandas操作CSV和Exc
el ★Sympy模組與符號運算 ☆機器學習、深度學習所需的數學與統計知識 ★線性迴歸 ☆機器學習 – scikit-learn ★KNN演算法、邏輯迴歸、線性與非線性支援向量機 ☆決策樹 ★隨機森林樹 ☆其他修訂小細節超過100處 多次與教育界的朋友相聚，談到電腦語言的發展趨勢，大家一致公認Python已經是當今最重要的電腦語言了，幾乎所有知名公司，例如：Google、Facebook、…等皆已經將此語言列為必備電腦語言。了解許多人想學Python，市面上的書也不少了，但是許多人買了許多書，但是學習Python路上仍感障礙重重，原因是沒有選到好的書籍，
市面上許多書籍的缺點是： ◎Python語法講解不完整 ◎用C、C++、Java觀念撰寫實例 ◎Python語法的精神與內涵未做說明 ◎Python進階語法未做解說 ◎基礎實例太少，沒經驗的讀者無法舉一反三 ◎模組介紹不足，應用範圍有限 許多讀者因此買了一些書，讀完了，好像學會了，但到了網路看專家撰寫的程式往往看不懂。 就這樣我決定撰寫一本用豐富、實用、有趣實例完整且深入講解Python語法的入門書籍。其實這本書也是目前市面上講解Python書籍中語法最完整，當讀者學會Python後，本書將逐步帶領讀者邁向數據科學、機器學習之路。Python以簡潔著
名，語法非常活，同時擁有非常多豐富、實用的模組，本書筆者嘗試將Python語法的各種用法用實例解說，同時穿插使用各種模組，以協助讀者未來可以更靈活使用Python，以奠定讀者邁向更高深學習的紮實基礎。 本書以約950個程式實例和約250個一般實例，講解紮實的Python語法，同時輔助約210道是非題、210道選擇題與約291道程式實作題。讀者研讀完此書，相信可以學會下列知識： ★內容穿插說明PEP 8風格，讀者可由此養成設計符合PEP 8風格的Python程式，這樣撰寫的程式可以方便自己與他人閱讀。 ☆拋棄C、C++、Java語法思維，將Python語法、精神功能火力全開
★人工智慧基礎知識融入章節內容 ☆從bytes說起、編碼(encode)、解碼(decoding)，到精通串列(list)、元組(tuple)、字典(dict)、集合(set) ★完整解說Unicode字符集和utf-8依據Unicode字符集的中文編碼方式 ☆從小型串列、元組、字典到大型數據資料的建立 ★生成式(generator)建立Python資料結構，串列(list)、字典(dict)、集合(set) ☆經緯度計算地球任2城市之間的距離，學習取得地球任意位置的經緯度 ★萊布尼茲公式、尼拉卡莎、蒙地卡羅模擬計算圓週率 ☆徹底解說讀者常混淆的遞迴式呼叫。
★基礎函數觀念，也深入到嵌套、lambda、Decorator等高階應用 ☆Google有一篇大數據領域著名的論文，MapReduce:Simplified Data Processing on Large Clusters，重要觀念是MapReduce，筆者將對map( )和reduce( )完整解說，更進一步配合lambda觀念解說高階應用 ★設計與應用自己設計的模組、活用外部模組(module) ☆設計加密與解密程式 ★Python處理文字檔案/二元檔案的輸入與輸出 ☆檔案壓縮與解壓縮 ★程式除錯(debug)與異常(exception)處理 ☆檔案讀寫與目
錄管理 ★剪貼簿(clipboard)處理 ☆正則表達式(Regular Expression) ★遞廻式觀念與碎形(Fractal) ☆影像處理與文字辨識，更進一步說明電腦儲存影像的方法與觀念 ★認識中文分詞jieba與建立詞雲(wordcloud)設計 ☆GUI設計 - 實作小算盤 ★實作動畫與遊戲(電子書呈現) ☆Matplotlib中英文靜態與動態2D ~ 3D圖表繪製 ★說明csv和json檔案 ☆繪製世界地圖 ★台灣股市資料擷取與圖表製作 ☆Python解線性代數 ★Python解聯立方程式 ☆Python執行數據分析 ★
科學計算與數據分析Numpy、Pandas ☆網路爬蟲 ★人工智慧破冰之旅 – KNN演算法 ☆機器學習 – 線性迴歸 ★機器學習 – scikit-learn ☆KNN演算法、邏輯迴歸、線性與非線性支援向量機 ★決策樹 ☆隨機森林樹 ★完整函數索引，未來可以隨時查閱
基於深度學習之視覺辨識之除蟲機器人
為了解決單位矩陣運算 的問題，作者吳子健 這樣論述：
根據統計，台灣農藥每單位用量，每公頃平均最高曾到十七公斤，居高世界第一位。而農藥用多了，食品內的農藥濃度便會提升，對土壤和人體都會產生嚴重影響。因此近年出現了許多的有機農場，有機農場的要求是不使用人工化學合成農藥丶人工合成肥料等等。但是有機種植的困難多，由其蟲害的問題更是讓農夫十分頭痛。解決蟲害最快的方式是直接用人進行觀察並除蟲。但是近年來台灣的高齡化丶少子化與新冠肺炎(Covid-19)的多重影響下，使勞動力大幅下降。 因此本文提出一種智能除蟲機器人，其結合了人工智能(Artificial intelligence, AI)丶深度攝影機丶自走車丶小型機器手臂與麥克納姆輪等裝置，應用於有機農
場中的自動除蟲機器人。除蟲機器人包括三個系統：視覺系統丶移動機構和驅蟲裝置。其中視覺系統能夠對害蟲辨識，也能夠取得距離。再把害蟲的位置傳給移動機構，機器人便會移動到害蟲的面前。最後使用驅蟲裝置，轉動機器手臂並啟動除蟲器，完成除蟲動作。
Python-最強入門邁向數據科學之路：王者歸來(全彩印刷第三版)
為了解決單位矩陣運算 的問題，作者洪錦魁 這樣論述：
★★★★★【33個主題】、【1200個Python實例】★★★★★ ★★★★★【1500個重點說明】★★★★★ ★★★★★【210個是非題】、【210個選擇題】、【291個實作題】★★★★★ Python語言是基礎科學課程，撰寫這本書時採用下列原則。 1：強調Python語法內涵與精神。 2：用精彩程式實例解說。 3：科學與人工智慧知識融入內容。 4：章節習題引導讀者複習與自我練習。 相較於第2版，第3版更加強數據科學與機器學習的內容，與相關模組的操作，同時使用更細緻的實例，增加下列知識： ★解說在Google Colab雲端開發環境執行 ☆
解說使用Anaconda Spider環境執行 ★PEP 8，Python設計風格，易讀易懂 ☆Python語法精神、效能發揮極致 ★遞迴函數徹底解說 ☆f-strings輸出徹底解說 ★電影院訂位系統 ☆靜態與動態2D ~ 3D圖表 ★Numpy數學運算與3D繪圖原理 ☆Pandas操作CSV和Excel ★Sympy模組與符號運算 ☆機器學習、深度學習所需的數學與統計知識 ★線性迴歸 ☆機器學習 – scikit-learn ★KNN演算法、邏輯迴歸、線性與非線性支援向量機 ☆決策樹 ★隨機森林樹 ☆其他修訂小細節超過100處
多次與教育界的朋友相聚，談到電腦語言的發展趨勢，大家一致公認Python已經是當今最重要的電腦語言了，幾乎所有知名公司，例如：Google、Facebook、…等皆已經將此語言列為必備電腦語言。了解許多人想學Python，市面上的書也不少了，但是許多人買了許多書，但是學習Python路上仍感障礙重重，原因是沒有選到好的書籍，市面上許多書籍的缺點是： ◎Python語法講解不完整 ◎用C、C++、Java觀念撰寫實例 ◎Python語法的精神與內涵未做說明 ◎Python進階語法未做解說 ◎基礎實例太少，沒經驗的讀者無法舉一反三 ◎模組介紹不足，應用範圍有限
許多讀者因此買了一些書，讀完了，好像學會了，但到了網路看專家撰寫的程式往往看不懂。 就這樣我決定撰寫一本用豐富、實用、有趣實例完整且深入講解Python語法的入門書籍。其實這本書也是目前市面上講解Python書籍中語法最完整，當讀者學會Python後，本書將逐步帶領讀者邁向數據科學、機器學習之路。Python以簡潔著名，語法非常活，同時擁有非常多豐富、實用的模組，本書筆者嘗試將Python語法的各種用法用實例解說，同時穿插使用各種模組，以協助讀者未來可以更靈活使用Python，以奠定讀者邁向更高深學習的紮實基礎。 本書以約950個程式實例和約250個
一般實例，講解紮實的Python語法，同時輔助約210道是非題、210道選擇題與約291道程式實作題。讀者研讀完此書，相信可以學會下列知識： ★內容穿插說明PEP 8風格，讀者可由此養成設計符合PEP 8風格的Python程式，這樣撰寫的程式可以方便自己與他人閱讀。 ☆拋棄C、C++、Java語法思維，將Python語法、精神功能火力全開 ★人工智慧基礎知識融入章節內容 ☆從bytes說起、編碼(encode)、解碼(decoding)，到精通串列(list)、元組(tuple)、字典(dict)、集合(set) ★完整解說Unicode字符集和utf-8依據Unico
de字符集的中文編碼方式 ☆從小型串列、元組、字典到大型數據資料的建立 ★生成式(generator)建立Python資料結構，串列(list)、字典(dict)、集合(set) ☆經緯度計算地球任2城市之間的距離，學習取得地球任意位置的經緯度 ★萊布尼茲公式、尼拉卡莎、蒙地卡羅模擬計算圓週率 ☆徹底解說讀者常混淆的遞迴式呼叫。 ★基礎函數觀念，也深入到嵌套、lambda、Decorator等高階應用 ☆Google有一篇大數據領域著名的論文，MapReduce:Simplified Data Processing on Large Clusters，重要觀念是Ma
pReduce，筆者將對map( )和reduce( )完整解說，更進一步配合lambda觀念解說高階應用 ★設計與應用自己設計的模組、活用外部模組(module) ☆設計加密與解密程式 ★Python處理文字檔案/二元檔案的輸入與輸出 ☆檔案壓縮與解壓縮 ★程式除錯(debug)與異常(exception)處理 ☆檔案讀寫與目錄管理 ★剪貼簿(clipboard)處理 ☆正則表達式(Regular Expression) ★遞廻式觀念與碎形(Fractal) ☆影像處理與文字辨識，更進一步說明電腦儲存影像的方法與觀念 ★認識中文分詞jieba與建立
詞雲(wordcloud)設計 ☆GUI設計 - 實作小算盤 ★實作動畫與遊戲(電子書呈現) ☆Matplotlib中英文靜態與動態2D ~ 3D圖表繪製 ★說明csv和json檔案 ☆繪製世界地圖 ★台灣股市資料擷取與圖表製作 ☆Python解線性代數 ★Python解聯立方程式 ☆Python執行數據分析 ★科學計算與數據分析Numpy、Pandas ☆網路爬蟲 ★人工智慧破冰之旅 – KNN演算法 ☆機器學習 – 線性迴歸 ★機器學習 – scikit-learn ☆KNN演算法、邏輯迴歸、線性與非線性支援向量機 ★決策樹
☆隨機森林樹 ★完整函數索引，未來可以隨時查閱 圖書資源說明 本書籍的所有程式實例可以在深智公司網站下載。 本書前面20個章節均附是非與選擇的習題解答，下列是示範輸出畫面。 教學資源說明 教學資源有教學投影片(內容超過1500頁)、本書實例、習題解答以及相關附錄的電子書。 本書習題實作題約285題均有習題解答，如果您是學校老師同時使用本書教學，歡迎與本公司聯繫，本公司將提供習題解答。請老師聯繫時提供任教學校、科系、Email、和手機號碼，以方便本公司業務單位協助您。 註：教學資源不提供給一般讀者，請原諒。 讀者資源說明 請至本公
司網頁deepmind.com.tw下載本書程式實例與習題所需的相關檔案，以及相關目錄資源，這些目錄以Word檔案呈現。 臉書粉絲團 歡迎加入：王者歸來電腦專業圖書系列 歡迎加入：iCoding程式語言讀書會(Python, Java, C, C++, C#, JavaScript, 大數據, 人工智慧等不限)，讀者可以不定期獲得本書籍和作者相關訊息。 歡迎加入：穩健精實AI技術手作坊
電腦視覺技術應用於手工具組裝之零件瑕疵檢驗
為了解決單位矩陣運算 的問題，作者鄭丞凱 這樣論述：
目錄摘要 IAbstract II目錄 IV圖目錄 VII表目錄 XII第一章 緒論 I1.1 棘輪扳手與零件介紹 21.2 棘輪扳手組裝流程 51.3 棘輪扳手組裝異常類型與瑕疵種類 71.4 棘輪扳手組裝之現行檢驗方式 181.5 研究動機與目的 191.6 論文架構 21第二章 文獻探討 222.1 自動化視覺檢測 222.2 組裝異常檢測 232.3 物件特徵比對 252.4 類神經網路模型 262.4.1 卷積神經網路(Convolutional Neural Network, CNN) 262.4.2 YOLOV4 (You O
nly Look Once)網路模型 272.4.3 基於區域的卷積神經網路(Region With CNN, R-CNN) 282.4.4 快速的基於區域的卷積神經網路(Fast R-CNN) 292.4.5 更快速的基於區域的卷積神經網路(Faster R-CNN) 302.4.6 基於遮罩的區域卷積神經網路(Mask R-CNN) 32第三章 研究方法相關原理 363.1 工件影像濾波 363.2 常見之物件偵測分類器 373.2.1 CNN網路模型 383.2.2 YOLO系列模型 393.2.3 R-CNN系列模型 40第四章 研究流程與技術應用 514.
1 工件影像拍攝 534.2 影像之ROI區域擷取 544.3 ROI影像之濾波處理 554.4 工件組裝異常之瑕疵種類特徵擷取 574.5 工件組裝異常類型之瑕疵種類的分類 604.5.1 物件候選區域選擇 614.5.2 CNN網路模式之特徵提取 624.5.3支援向量機的瑕疵分類 634.5.4 可疑瑕疵區域的邊界框回歸 644.5.5 瑕疵種類分類結果輸出 664.6 工件組裝異常類型之瑕疵種類的分類績效混淆矩陣 67第五章 實驗結果與分析 695.1 樣本影像說明 695.2 組裝異常之瑕疵檢測系統之發展 705.3 組裝異常類型之瑕疵種類分類績效指標
715.4 組裝異常之瑕疵檢測系統之R-CNN網路模型之參數設定 725.4.1 網路模型之學習率參數設定 745.4.2 網路模型之訓練批量參數設定 765.4.3 網路模型之優化器類型選擇 785.4.4 網路模型之訓練次數參數設定 805.4.5 網路模型避免過度擬合之判斷設定 825.5 組裝異常檢測之分類績效評估與比較 845.5.1 R-CNN系列模型比較 845.5.2 R-CNN系列模式與YOLOV4之檢測績效比較 895.6 敏感度分析 955.6.1 ROI區域大小對檢測效益之影響 965.6.2 影像亮度的變化對檢測績效之影響 975.6.3
工件擺放方式對檢測績效之影響 995.6.4 工件表面油漬量對檢驗績效之影響 1035.6.5 工件輸送帶速度對檢測績效之影響 1085.6.6 棘輪扳手單一分類器檢驗模型選擇 1135.6.7 同態濾波對檢測效益之影響 115第六章 結論與後續研究方向 1186.1 結論 1186.2 未來研究方向 119參考文獻 122表目錄表1 市售主要棘輪扳手之英制與公制規格 3表 2 1/2”36T棘輪扳手各組裝站之零件表 4表3 棘輪扳手組裝之各工作站的工作內容說明表 5表4 棘輪扳手組裝時可能產生的組裝異常類型說明彙整表 8表5 棘輪扳手組裝過程
可能的組裝異常類型與瑕疵種類彙整表 9表6 缺件組裝異常之瑕疵種類影像彙整表 14表7 錯置組裝異常之瑕疵種類影像彙整表 15表8 異物組裝異常之瑕疵種類影像彙整表 16表9 餘件組裝異常之瑕疵種類影像彙整表 17表10 取像限制說明表 21表11 本研究與物件偵測相關文獻比較表 35表12 本研究使用之網路模型比較表 48表13 本研究目前使用之遮罩與影像面積之比較表(單位:pixel) 55表14 灰階影像與濾波後影像之平均值及標準差比較表 57表15 以影像張數為基礎之棘輪扳手分類混淆矩陣示意表 68表16 棘輪扳手檢驗結果之混淆矩陣示意表
68表17 本研究組裝第一站之檢測樣本影像數量 73表18 本研究組裝第二站之檢測樣本影像數量 74表19 本研究組裝第三站之檢測樣本影像數量 74表20 採用不同學習率之檢測效益結果比較 75表21 採用不同訓練批量之檢測效益結果比較 77表22 本研究探討之三種優化演算法優缺點比較 79表23 採用不同網路模型優化器之檢測效益結果比較 79表24 採用不同網路模型訓練次數之檢測效益結果比較 81表25 R-CNN網路模型之預設值與較佳參數設定之比較表 84表26 第一站大樣本異常類型之瑕疵種類檢驗模型效益彙整表 86表27 第二站大樣本異常類型之瑕
疵種類檢驗模型效益彙整表 87表28 第三站大樣本異常類型之瑕疵種類檢驗模型效益彙整表 88表29 本研究組裝工作站之較佳網路模型效益彙整表 89表30 第一站較佳模型與YOLOV4之檢測效益比較表 90表31 第二站較佳模型與YOLOV4之檢測效益比較表 91表32 第三站較佳模型與YOLOV4之檢測效益比較表 92表33 第一站各網路模型之檢測時間彙整表(單位:秒) 93表34 第二站各網路模型之檢測時間彙整表(單位:秒) 93表35 第三站各網路模型之檢測時間彙整表(單位:秒) 93表36 採用不同遮罩大小之檢測效益結果比較 96表37 採用拍攝光
線強度之檢測效益結果比較 98表38 工件偏移角度之影像數量彙整表 101表39 棘輪扳手不同擺放角度之檢測效益比較表 101表40 ROI區域與油漬量之影像面積比較表(單位:pixel) 104表41 塗抹不同程度潤滑油之檢測效益比較表 106表42 靜態與動態拍攝之差異比較表 109表43 不同輸送帶速度之影像檢測效率 111表44 棘輪扳手動態視覺檢測系統之檢測效益比較表 112表45 棘輪扳手各站模型之正確分類率比較表 114表46 灰階影像與濾波後影像之影像像素比較表 116表47 第一站各模型有無經同態濾波處理之檢測效益彙整表 117圖目錄
圖1 市售棘輪扳手常見之產品銷售方式 I圖2 棘輪扳手的使用說明 2圖3 完成組裝之1/2” 36T棘輪扳手 3圖4 1/2”扭力頭寬度規格標示 3圖5 1/2”36T棘輪扳手之內部結構 3圖6 36T扭力頭實體圖(圓圈標示處為該零件之齒輪) 4圖7 葫蘆柄各組裝站之零件彙整 6圖8 棘輪扳手之組裝異常類型與瑕疵種類關係彙整圖 10圖9 第一站經組裝後各種可能的缺件組裝異常結果 11圖10 第二站經組裝後各種可能的缺件組裝異常結果 12圖11 第三站經組裝後各種可能的缺件組裝異常結果 13圖12 棘輪扳手檢驗實體圖 19圖13 同態濾波器的運算
流程 37圖14 CNN網路架構示意圖 38圖15 卷積方法示意圖 39圖16 池化運算示意圖 39圖17 YOLOV4網路架構示意圖 40圖18 R-CNN網路架構示意圖 41圖19 Fast R-CNN網路架構示意圖 43圖20 ROI pooling運算示意圖 44圖21 Faster R-CNN網路架構示意圖 45圖22 RPN運算示意圖 46圖23 Mask R-CNN網路架構示意 47圖24 研究方法流程圖 52圖25 本研究現階段使用之數量與零件 53圖26 本研究之硬體設備架設示意圖 53圖27 本研究前處理之影像平均值與
標準差 54圖28 本研究使用之五種遮罩大小 55圖29 使用同態濾波濾除拍攝時造成反光之像素變化 56圖30 灰階影像與濾波後影像之平均值及標準差曲線圖 57圖31 光源控制器數值下灰階影像與濾波後影像標準差比較表 57圖32 使用Matlab軟體內建之Image Labeler工具箱進行人工標...58圖33 完成標註之邊界框資訊 58圖34 棘輪扳手組裝製程中第一組裝站使用R-CNN網路模式之圖像標註流程圖 59圖35 第一站缺件檢驗之R-CNN網路架構的訓練程序 60圖36 R-CNN模型檢驗流程圖 61圖37 候選區域選擇示意圖 62圖38
特徵提取流程圖 63圖39 邊界框回歸原理示意圖 65圖40 邊界框回歸運算可能發生之失效結果 66圖41 瑕疵種類分類結果示意圖 67圖42 運用R-CNN網路模型之棘輪扳手檢驗辨識系統測試程序 67圖43 本研究之實驗架構圖 69圖44 本研究影像拍攝之設備圖 70圖45 本研究所開發之使用者介面 71圖46 不同學習率之檢出績效評估ROC曲線圖 75圖47 不同學習率之正確分類率折線圖 76圖48 不同訓練批量之檢出績效評估ROC曲線圖 77圖49 不同訓練批量之正確分類率折線圖 77圖50 不同網路模型優化器之檢出績效評估ROC曲線圖
80圖51 不同網路模型優化器之正確分類率折線圖 80圖52 不同訓練次數之檢出績效評估ROC曲線圖 82圖53 不同訓練次數之正確分類率折線圖 82圖54 本研究使用R-CNN網路模型之訓練資料損失曲線圖 83圖55 過擬合現象示意圖 83圖56 第一站R-CNN系列模型之ROC曲線圖 86圖57 第一站R-CNN系列模型之績效指標曲線圖 86圖58 第二站R-CNN系列模型之ROC曲線圖 87圖59 第二站R-CNN系列模型之績效指標曲線圖 87圖60 第三站R-CNN系列模型之ROC曲線圖 88圖61 第三站R-CNN系列模型之績效指標曲線圖
88圖62 第一站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 90圖63 第一站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 90圖64 第二站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 91圖65 第二站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 91圖66 第三站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 92圖67 第三站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 92圖68 R-CNN系列模型與YOLOV4之總訓練時間曲線圖 94圖69 R-CNN系列模型與YOLOV4之總測試時間曲線圖 94圖70
R-CNN系列模型與YOLOV4之單位影像測試時間曲線圖 94圖71 各站R-CNN系列較佳模型與YOLOV4之正確分辨率直方圖 95圖72 使用不同遮罩大小之棘輪扳手檢出績效評估ROC曲線 97圖73 使用不同遮罩大小之棘輪扳手正確分類率折線圖 97圖74 採用不同亮度拍攝棘輪扳手之檢出率與誤判率ROC曲線 98圖75 採用不同亮度拍攝棘輪扳手之正確分類率折線圖 98圖76 工件擺放方向示意圖 99圖77 原始影像之各角度擺放情況 100圖78 原始影像加入遮罩後各角度擺放情況 100圖79 棘輪扳手正向擺設角度之檢出績效評估ROC曲線 102圖80
棘輪扳手負向擺設角度之檢出績效評估ROC曲線 102圖81 棘輪扳手擺設角度之正確分類率折線圖 103圖82 第一站塗抹不同程度潤滑油之比較圖 104圖83 第二站塗抹不同程度潤滑油之比較圖 104圖84 第一站塗抹不同程度之潤滑油後加上遮罩之比較圖 105圖85 第二站塗抹不同程度之潤滑油後加上遮罩之比較圖 105圖86 第一站塗抹不同程度潤滑油之檢出績效評估ROC曲線圖 106圖87 第一站塗抹不同程度潤滑油之正確分類率折線圖 107圖88 第二站塗抹不同程度潤滑油之檢出績效評估ROC曲線圖 107圖89 第二站塗抹不同程度潤滑油之正確分類率折線圖 1
07圖90 棘輪扳手動態視覺檢測系統運作示意圖 108圖91 棘輪扳手動態視覺檢測系統硬體架設實體圖 110圖92 動態視覺檢測系統中不同輸送帶速度所拍攝之原始影像 110圖93 動態視覺檢測系統中不同輸送帶速度所拍攝之前處理影像 111圖94 棘輪扳手動態視覺檢測系統之ROC曲線圖 112圖95 棘輪扳手動態視覺檢測系統之正確分類率曲線圖 113圖96 棘輪扳手各站模型之正確分類率直方圖 114圖97 棘輪扳手各站模型之檢測時間直方圖 115圖98 有無經同態濾波處理對各模型之正確分類率直方圖 117圖99 有無經同態濾波處理對各模型之績效指標折線圖 11
7