自 組 工作站的問題，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

PLC可程式控制實習與專題製作使用FX2N / FX3U - 最新版(第四版) - 附MOSME行動學習一點通：加值

為了解決自 組 工作站的問題，作者陳冠良 這樣論述：

　　1. 本書包含可程式控制器的初階、中階與進階設計，內容豐富且廣泛。 　　2. 本書架構完整，從PLC的基礎指令、工配轉PLC階梯圖設計、SFC順序流程設計、SFC實務設計、應用指令到專題製作，一應俱全。 　　3. 每個章節都有很多的範例程式，以及不同的設計方法，讓讀者可以跟著範例程式動手做，邊做邊學。 　　4. 本書的專題製作使用了人機介面與PLC、PLC的特殊模組4AD與4DA，讓讀者可以活用所學習的技術，真實的做出一個專題成品。 　　5. 本書特別命製題庫，幫助讀者增加知能並提供測驗及練習。

自 組 工作站進入發燒排行的影片

探討市場改建對於街道攤販的衝擊與時間性–以東門市場改建暨周邊街廓都市更新案為例

為了解決自 組 工作站的問題，作者蔡彥廷 這樣論述：

傳統市場改建計畫為近年來臺北市政府的重要政策，針對市場的軟硬體設施進行全面性的整頓，期望能夠藉此改變市場老舊的意象，提升整體的環境品質。然而，既有文獻指出，對於市場改建此種建成環境的研究，缺乏對於權力與時間的探討。故此，本研究以「東門市場改建暨周邊街廓都市更新案」為研究案例，透過時間性的角度，探討市場改建推行過程中所存在的「計畫的時間」和「攤販的時間」，以及彼此之間的抗衡。本研究採取質性研究進行，透過觀察研究法、訪談研究法及次級資料分析法作為資料收集的途徑，並以時間地景作為研究分析架構。本文的結論有三：第一，規劃下所存在的不同時間政治，反映了不同利害關係人所擁有的權力，以及對於時間的控制程度

；第二，計畫的時間性不僅受到利害關係人的影響，亦牽扯於其他銜接計畫；第三，快速的規劃使計畫缺乏彈性，當面臨意外的變革時，將迫使計畫停滯。在基於本研究之結論，並參考過往學者所提倡的緩慢規劃，提出未來發展與治理之建議，以促成更具包容性的都市規劃。

Keras大神歸位：深度學習全面進化！用 Python 實作CNN、RNN、GRU、LSTM、GAN、VAE、Transformer

為了解決自 組 工作站的問題，作者FrançoisChollet 這樣論述：

　　正宗Keras大神著作再次降臨！   　　近10年來，深度學習為人工智慧領域帶來了出色的進展，也解鎖了許多有趣的新功能，如：機器翻譯、影像識別、物體定位等不一而足。毫不誇張地說，深度學習已迅速成為每位軟體開發者必備的武器。此外，諸如Keras和TensorFlow等先進的工具，也消除了普通人與深度學習之間的隔閡。即使你只有高中程度的數學知識，且甚至沒有資料科學的相關背景，也依舊可以透過這些工具來建構有趣的深度學習應用。   　　本書由 Keras 創始者親自撰寫，沒人比他更了解Keras這套工具，雖然如此，但這並不是一本 Keras 的使用手冊，而是帶你從頭開始探索深

度學習，進而拓展對深度學習理解的經典之作。你也將從中明瞭解決機器學習問題的標準作業流程，以及未來實務上如何克服可能遇到的問題。   　　本書前一版在全世界都獲得非常高的評價，並被翻譯成12種語言，到現在仍是技術社群推薦必讀的深度學習入門書。不過深度學習技術在這短短幾年有巨大的進展，因此第二版作者新增了許多常見任務的實作專案，例如：影像分割、時間序列預測、機器翻譯等。另外，作者還加入了當前熱門技術的介紹，如attention機制、Transformer架構、KerasTuner等，並搭配實作案例來加深讀者的理解。   　　由於第二版的內容修改幅度極大，因此中文版重新編譯，由業內專

家進行翻譯、審閱，在專有名詞的說法和敘述，都更加符合國內業界的習慣用語。無論你是從業中的機器學習工程師、軟體開發人員，還是資訊科系學生，本書的內容都會對你有所幫助。   本書特色   　　☆全面採用最新的Tensorflow × Keras版本 　　☆Keras創始者親筆之作，以自身經驗分享深度學習的門道 　　☆從做中學，各章皆搭配豐富專案實作，不會只是紙上談兵 　　☆延續第一版的紮實基礎內容，新增了當前最熱門的技術，讓讀者可以更上一層樓 　　■卷積神經網路 　　■殘差連接 　　■變分自編碼器(VAE) 　　■self-attention機制 　　

■Transformer架構 　　■KerasTuner超參數調校 　　■模型集成 　　■混合精度訓練 等等 　　☆本書由施威銘研究室監修，書中針對原書進行大量補充，並適當添加註解，幫助讀者更好地理解內容   重磅推薦   　　「掌握本質， 了解其所能與不能， 是面對技術快速迭代、世局難以預測的鑰匙。本書就是開啟深度學習的一把鑰匙。」——鴻海研究院執行長 李維斌 　 　　「對於想熟悉 Keras和Tensorflow的技術人來說， 是一本極佳的入門學習書， 而對於不熟悉技術只想一窺門道的人來說， 結構井然的邏輯和極為通暢易讀的寫作方式， 大大降低了非技術出

身如我輩的學習門檻。」——台灣人工智慧科技基金會執行長 溫怡玲   　　「Keras大神親自出手將最新的發展及其具體應用範例帶到我們面前， 在AI產業界來說， 這是極其重要的大事， 不可等閒視之， 而且是由在 AI領域著墨很深、實踐經驗豐富的黃逸華數據長主持翻譯與審閱工作， 更讓我們充滿期待。」——台灣人工智慧協會副理事長 黃國寶   　　「大神再次出手， 這是AI產業化的高光時刻， 很榮幸可以參與這場盛事， 也謝謝您的關注。」——華實智造科技有限公司數據長 黃逸華  

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決自 組 工作站的問題，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