工具組的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

FOOD超人交通大對決

為了解決工具組的問題，作者 這樣論述：

　　■商品介紹   　　多種交通工具造型強化觸摸感知， 　　在遊戲中培養社會行為與感覺統合！   　　《FOOD超人交通大對決》含有25種不同顏色、款式的交通工具，組合成大對決，每款都有獨特的顏色與造型，讓孩子愛不釋手！豐富鮮豔的色彩刺激孩子視覺發展，也可自行配合遊戲情境與場地玩耍，強化情境模擬與感覺統合。   　　25台交通工具都可前後滑動，可讓孩子玩扮家家酒，家長也可在旁陪孩子一起玩耍，自行組建賽道等，共享親子遊戲時光，拉進親子互動關係！    　　■商品功能   　　★培養認知能力── 　　不同顏色、形狀的車子可以吸引孩子目光，並進一步培養認知能力。   　　★促進感覺統合── 　　

遊戲過程中不僅能刺激視覺發展，同時也強化觸覺感知能力，促進感覺統合。   　　★強化肌肉發展── 　　利用手部小肌肉來抓握、滑動，可強化孩子肌肉發展，訓練手指肌肉與抓握能力！   　　★促進親子互動── 　　家長可以在旁和孩子一起玩耍，促進親子互動關係，拉近與親子之間距離，享受親子同樂時光！   商品特色   　　1.認知識別──認知基本顏色與形狀，在學習中成長。 　　2.觸覺發展──不同款式與造型，培養孩子觸摸感知的能力。 　　3.刺激視覺──豐富鮮豔的顏色能強化孩子視覺認知，刺激視覺發展。 　　4.多人遊戲──可多人一起互動玩耍，培養社會行為。 　　5.親子互動──家長可以和孩子一起遊戲，

創造親子互動時光。  

工具組進入發燒排行的影片

藝術麵包造型設計-以馬來西亞城市文化為主題

為了解決工具組的問題，作者陳國良 這樣論述：

麵包是世界主要的食物之一，早期有許多麵包的歷史及操作技術也流傳世界各地。近幾年來麵包技術發展迅速，一個好的麵包要好吃必須有奇特的風味和口感，少不了外觀形狀及自然烤焙的焦黃色。而藝術麵包也是麵包類之一，藝術麵包具有獨特的造型及可以表現出主題與美感的一門專業工業技術。本次創作研究主題是來自馬來西亞各地的地標代表物。應用了藝術麵包的技術來完成各地標的代表物，創造出有特色的藝術麵包作品。首先以文獻研究方法來整理資料，摘取出馬來西亞地標代表造型的意涵，以及藝術麵包精神、技術、各種藝術麵包的主要元素並保留藝術麵包原有的特色風格創作。本創作共製作了16件藝術麵包作品，應用製作麵包技術和藝術創作及馬來西亞地

標代表物主題概念之整合，以抽象及仿真手法來結合與表現。期能透過本系列藝術麵包主題之創作，提供大眾以觀賞麵包的方式來認識馬來西亞更多不同的城市形象特色。

月相魔法全書：愛情、金錢、健康、成功，29天向月亮下訂單

為了解決工具組的問題，作者麥可・賀克 這樣論述：

新月許願進階完整版，8種月相週期魔力全攻略！ 跟著每一個月相週期，善用對應的能量與魔法儀式   月亮意識不僅神祕，更是顯化豐盛的能量管道 從新月開始，二十九天的顯化過程，共歷經八個月相週期 依序為：新月、眉月、上弦月、盈凸月、滿月、虧凸月、下弦月、殘月   　　不同於一般的月亮魔法書籍，本書中的咒術和儀式，是根據月亮的八種月相分類，針對不同的願望，提供更多元的魔法實作練習。特別著墨於月相週期、民俗傳說、月亮學說等知識，從許下心願到取得平衡，最終吸引豐盛富足的生活。   　　本書第二部分，列舉在愛情、金錢、健康、成功、幸福等領域的咒術和魔法技巧。無論你是魔法界的新手或老手，或想透過法術來得到

哪種形式的豐盛，都會在閱讀中有所收穫，讓你在生活中接收無限流動的豐盛。   　　成效可能很快就出現，也有可能需要時間來發酵。宇宙的時間法則，並非按照我們的時間觀運作，咒術並非速食般的靈性修持。請記得，除了進行魔法儀式，你也一定要有實際作為。你必須在現實生活裡採取具體行動，才能加速心願成就！   　　【八大月相的能量導引】   　　新月：許下心願 　　設定意圖，許下心願。將新月視為一個白板，你有無限的機會可以在上面描繪。這是新生的時機，也是思考要如何開始創造豐盛的時機。   　　眉月：開始行動 　　眉月就像是反轉的Ｃ字形，月亮開始它變成滿月的第一步。如果要培養豐盛能量，眉月的重點就是實際行動。

  　　上弦月：做出決策 　　上弦月是月球表面可見度達百分之五十時的月相。月球處於一半可見的狀態，它代表著十字路口，這個時機點可以進行與決策相關的豐盛咒術。   　　盈凸月：確立細節 　　接近滿月，但左側有著Ｃ字形陰影的月相。從上一階段的決策期來到這個月相，此時適合修正你的心願並更具體化，回歸你最初的願望。   　　滿月：慶祝、綻放、反思 　　滿月是月球最明亮的月相，能量來到至高點，這個月相非常適合吸納月亮的豐盛魔力，擴展願望的魔法儀式。   　　虧凸月：表達感恩 　　跟盈凸月相反，月亮開始從右邊漸缺。這段期間，是你表達感恩的最好時機，感謝生活中已顯化的豐盛。   　　下弦月：寬恕 　　懷抱寬

恕之心向前邁進。如同上弦月，下弦月的月球表面可見度也是百分之五十。當月球逐漸虧缺，豐盛的核心主旨就是寬恕。   　　殘月：放手、釋放 　　釋放帶來光明，這是月亮重生進入下一個月相前的最後階段，這是放下與釋放的時機。魔法儀式著重於清理生活中你執著的人事物。

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決工具組的問題，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