機器視覺的問題，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

全格局使用PyTorch：深度學習和圖神經網路 實戰篇

為了解決機器視覺的問題，作者李金洪 這樣論述：

熟悉基礎，精通實戰。 　　接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家

耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。 本書特色 　　～GNN 最強實戰參考書～ 　　●使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 　　●高級NLP模型訓練及微調、BE

RTology、CBOW、Skip-Gram、Torchtext、spaCy 　　●文字使用模型TextCNN來把玩IMDB資料庫 　　●高階工程師才會用的Mist啟動函數、Ranger最佳化器 　　●正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer  

機器視覺進入發燒排行的影片

利用影像辨識技術建構太陽能板角度追蹤系統

為了解決機器視覺的問題，作者唐佳華 這樣論述：

目前太陽能光電設置方向在北半球太陽光電陣列以面對正南、南半球太陽光電陣列以面對正北可得到最高發電效率。但太陽能系統若要取得更高的日照強度，就是要讓陽光垂直照射到太陽能板，所以須讓太陽能板處於最佳傾斜角度，在台灣各地傾斜角度不同，緯度越高時，相應的傾斜角也越大，目前台灣地區的裝設角度大多是向正南向傾斜約 23.5 度或與當地緯度接近即可，以確保最佳發電量。本研究是利用攝影機以影像辨識技術來判斷太陽位置後，藉由機械裝置自動修正太陽能板與太陽之角度，使太陽能板與太陽照射呈垂直角度就可以取得最佳的發電角度進而獲取最大的發電效能。依據實驗數據分析可得本研究設計之太陽能板角度追蹤系統的平均總電量增加百分

比高於傳統固定式角度太陽能板裝置14.37％，證明本研究設計之太陽能板角度追蹤系統確實有效增加太陽能板的發電量。另外，本文設計之太陽能板角度追蹤系統於6:00~7:00及16:30~17:30時段平均最大電量及平均最大電量差值百分比，都優於傳統固定式角度太陽能板裝置。

AI時代，設計力的剩餘價值：對象×流程×應用×能力塑造，人工智慧浪潮下的設計師生存攻略

為了解決機器視覺的問題，作者薛志榮 這樣論述：

AI歷史×深度學習×互動設計×技術運用×未來發展 人總有疲累、犯錯的時候，但是AI永遠乖巧聽話； 你說AI不懂創意，只能做死板的工作？ 隨著科技發展，AI人性化程度也愈來愈高， 再不懂得提升自己，最後只能被人工智慧所淘汰！ 跨界設計師甘苦談，讓前輩把經驗向你娓娓道來！ 　　【人工智慧在紅什麼？】 　　．AI的誕生 　　1956年8月，在達特茅斯學院舉行的一次會議上，來自不同領域（數學、心理學、工程學、經濟學和政治學）的科學家一起討論如何利用機器來模仿人類學習以及其他方面的智慧，「人工智慧」正式被確立為研究學科。 　　．人機互動的發展歷程 　　60年前，人工智慧和人機互動就像藍綠一樣是

勢如水火的兩大陣營？ 　　明斯基：「我們要讓機器變得智慧，我們要讓它們擁有意識。」 　　恩格爾巴特：「你要為機器做這些事？那你又打算為人類做些什麼呢？」 　　．機器學習和深度學習 　　機器學習是一門涉及統計學、神經網路、優化理論、電腦科學、腦科學等多個領域的交叉學科，它主要研究電腦如何模擬或者實現人類的學習行為，以便獲取新的知識或技能，細分為：監督學習、非監督學習、半監督學習、強化學習。深度學習是機器學習下面的一條分支， AlphaGo正是採用了深度學習算法擊敗了人類世界冠軍，並促進了AI其他領域（如自然語言和機器視覺）的發展。   　　【人工智慧如何影響設計？】 　　．從圖片到影像，Ado

be Sensei平臺幫助設計師解決在媒體素材創意過程中面臨的一系列問題，並將重複工作變得自動化。 　　．看動畫總覺得某些場景崩壞？自動描線的技術能夠自動辨識圖像，並確定圖像的具體輪廓，進而完成描線的工作，大大減輕畫師的負擔。 　　．圖文內容的排版涉及大量的專業知識，包括視覺傳達、色彩與美學、幾何構圖等， Duplo透過模組化和網格系統快速把內容放入尺寸各異的幾千種頁面中，解決不同螢幕尺寸下的圖文排版問題。 　　【AI衝擊！設計師該何去何從？】 　　既然AI如此方便，設計師的存在似乎就可有可無了？ 　　．最容易被取代的三大設計，看看自己符合了哪些！ 　　．深耕藝術設計、個性化設計、跨界思考…

…六種方法助你永保飯碗！ 　　【比人還通人性！談AI的實踐】 　　．AI設計八大原則：個性化、環境理解、安靜、安全「後門」、準確性和即時性、自我學習與修正、有禮貌、人格設定。 　　．產品設計三要素：透過增強記憶、訓練思考和預測行動，將人工智慧最佳化。 　　．從圖形使用者介面（GUI）到語音命令裝置（VUI），為什麼要將GUI轉換為VUI？ 　　【未來五年，人工智慧的發展】 　　．智慧城市 　　下水道設計不良，一遇到暴雨瞬間變水上威尼斯？ 　　每次上路總是提心吊膽，深怕遇到馬路三寶？ 　　警力資源嚴重不足！誰可以代替交警外出巡邏？ 　　交通、能源、供水、建築……數位監控平臺將接管城市管理的工

作！ 　　．商場 　　對商場上的惡性競爭感到厭倦了嗎？透過AI技術，有錢大家一起賺！ 　　讓不同性質的店家組成一個體系，推播優惠券製造雙贏效果。 　　．家園 　　在家裡擺上一幅霍格華茲的胖夫人畫像不再是夢？ 　　Atmoph Window不僅能隨意切換內容，還能配合主題發出相應聲音，彷彿身歷其境！ 　　★特別收錄：跨界設計師甘苦談、針對使用者的人工智慧系統底層設計 本書特色 　　本書從技術角度切入，介紹當前人工智慧的相關知識，再圍繞商業、產品、使用者需求等多個角度闡述人工智慧與設計的關係，提出人工智慧設計的相關見解，同時也結合了作者本身的學習和工作經驗，對設計師在AI時代下的發展規劃

給予相關建議。

基於深度學習模型應用於蝴蝶蘭盆苗病蟲害之分類檢測－多盆苗

為了解決機器視覺的問題，作者陳廷瑀 這樣論述：

蝴蝶蘭為具觀賞性的蘭科植物之一，由於其花色多樣且美觀，因此在婚喪喜慶的各種場合之中都會出現，也是目前在台灣最常見的蘭花品種。此外，台灣也有著蘭花王國美名，台灣蝴蝶蘭不僅是極具出口經濟價值的花卉產品，也是世界第二大蝴蝶蘭出口國。而相較於其他花卉大國，如荷蘭、以色列等等具有更高級的科學培養技術以及機器設施之國家，為了提高台灣蘭花產業之競爭能力，近幾年來，業者投注很多心力於蘭花育種，目前的培植工作仰賴人工肉眼的挑選，若能透過深度學習之技術，在溫室培植大量盆苗之階段，以機器自動判讀的方式，去輔助人力來進行盆苗病蟲害的偵測挑選，將可提高種植效率，減少人力負擔以及人工挑選出有瑕疵的盆苗之誤判率。為了維持

盆苗生長期間的健康狀態，一般會採人工尋找出有染病或遭受蟲害的盆苗，找出後除了迅速將其移除，但仍需要進行後續處理，如噴灑農藥去解決蟲害的問題，因此種植人員需要每天持續觀察全部盆苗是否有出現任何會影響到蘭花盆苗生長之症狀，此工作量極其龐大，單單一間溫室盆苗數量可能達到數千盆甚至數十萬盆。本研究為了輔助業者的種植，在建置出人工所拍攝之蝴蝶蘭盆苗資料庫後，配合labelImg去進行蘭花盆苗之病症的標記，配合深度學習模型去進行訓練。藉由訓練之模型所決定的權重，去進行病蟲害之檢測，可以輔助其蘭花盆苗之種植，而本研究最後在效能比較的部分，由於主要目的是病蟲害盆苗，因此選擇以準確率以及特異性作為效能參考指標，

實驗結果顯示測試準確度以及特異性分別達到78.5%以及82.16%。