電腦ap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

ESP32物聯網專題製作實戰寶典

為了解決電腦ap的問題，作者VedatOzanOner 這樣論述：

　　學會使用ESP32開發無線物聯網專題所需的各種開發知識    　　使用ESP32開發板來開發各種物聯網專案可完整涵蓋感測器到雲端平台之間的安全資料通訊技術，有助於您使用EPS32系統單晶片來開發各種產品級的物聯網解決方案。您將學會如何使用各種類型的序列通訊協定來介接不同的感測器與致動器，藉此將ESP32應用於物聯網(Internet of Things, IoT)專案中。    　　本書會說明為何某些專案需要對終端使用者的立即性輸出，也會透過範例來驅動各種顯示模組來介紹不同的顯示技術。本書特色在於透過專門章節搭配實作範例來說明數位安全性。在學習過程中，您會理解藍牙低功耗(BLE)與BL

E網格網路，並製作一個完整的智慧家庭專案，其中的所有節點都可透過 BLE網格網路來通訊。後續章節則示範為何物聯網應用大多時候都會需要雲端連線能力以及允許智慧型裝置的遠端存取。您也會知道整合各款雲端平台與第三方服務如何能為終端使用者開啟了無限的可能性，例如大數據分析以及預防性維修好將成本最小化。    　　本書告訴你使用ESP32開發無線物聯網專題所需的各種開發技能，並製作直擊核心且高效率的安全性方案來滿足專題需求。    　　本書精彩內容：  　　．探索進階使用情境，例如UART通訊、聲音與相機功能、低功耗情境以及透過RTOS進行排程  　　．在專案中整合不同類型的顯示模組來滿足對使用者的立即

性輸出  　　．連接Wi-Fi與藍牙進行本地端網路通訊  　　．透過不同的物聯網訊息通訊協定來連接各種雲端平台  　　．將ESP32整合語音助理與IFTTT等第三方服務  　　．探索用於實作產品等級之物聯網安全功能的各種最佳方式 

電腦ap進入發燒排行的影片

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決電腦ap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

ICCP國際電腦稽核軟體應用師考試總複習

為了解決電腦ap的問題，作者Shi-Ming(Jack)Huang,Tawei(David)Wang 這樣論述：

　　ICCP Exam Review provides complete guidance toward all content areas, tasks, and knowledge areas of the exam and is illustrated with real-world examples. All ICCP terminology has been revised to reflect the most recent interpretations, including 252 knowledge inventory questions and  8 case stud

ies. Each chapter summary highlights the most important topics on which you'll be tested, and review questions help you gauge your understanding of the material. You also get access to the ICAEA eLearning Platform to watch the training videos, practice the case studies, and practice the exams.    　　

For those who audit, control, monitor, and assess enterprise digital data, the ICCP certification signals knowledge, skills, experience, and credibility that delivers value to a business. This study guide gives you the advantage of detailed explanations from a real-world perspective, so you can go i

nto the exam fully prepared. ICCP exam includes both knowledge test and hand-on CAATs (Computer-Assisted Audit Techniques) skill test. The ICCP certification has been a globally accepted standard of achievement among computer auditing in more than 20 countries. If you're looking to acquire one of th

e top computer auditing credentials, ICCP Eaxm Review is the comprehensive study guide you need.   　　ICCP Exam Review (ICCP 國際電腦稽核軟體應用師考試總複習) 提供參加考試者完整的學習指引，包含各領域所需專業知識並提供實際案例演練資料提高學習效果。所有 ICCP 國際電腦稽核軟體師應用專業術語都經過修訂，來反應最新的趨勢，內容包含超過250題知識觀念題與 8個實務案例上機題。每章摘要說明讓您了解測試重點主題，透過模擬考題演練協助您衡量對考試內容的精鍊度。您還可以透過ICA

EA國際電腦稽核教育協會(www.icaea.net)的數位學習平台，觀看線上課程影片、練習案例研究與熟悉考試方式。   　　對於稽核、控制、監督與進行企業資料分析的人來說，通過ICCP 國際電腦稽核軟體應用師認證考試，證明可以為企業帶來具有價值的知識、技能、經驗和信譽。本學習指南從實務的角度為您提供詳細釋例，協助您充分準備後，順利參加考試。 ICCP 國際電腦稽核軟體應用師除了電腦稽核與法遵科技應用之知識觀念題外，另有CAATs（電腦輔助稽核軟體）實務案例上機技能測驗，共兩部分考試。 ICCP 國際電腦稽核軟體應用師認證已成為全球 20 多個國家電腦稽核的重要標準，若您有志取得此專業證照，幫

您的職涯加分加薪，ICCP Eaxm Review 是您需要的綜合學習指南。  

社群平台間的游動：從符擔性角度看記者分化使用之戰術

為了解決電腦ap的問題，作者李岱瑾 這樣論述：

社群平台走向多元化，記者受個人不同因素影響，發展出相異的分化使用平台策略。本研究為瞭解記者在社群平台間的行動脈絡，從中發掘如何在平台戰略體制下執行戰術，創造反體制的生存空間，對其人際關係的影響。因此，以符擔性理論（Affordance Theory）為基礎，透過深度訪談十二名不同世代的記者，探究記者如何感知社群平台符擔性以操作戰術，在互動中又創造哪些平台新意義。研究發現，記者操作戰術時有一個既定的邏輯，以臉書作為使用社群平台之開端，當記者感知臉書內涵的轉變後，試著先調整自身行為的合適性，改變發文內容、降低貼文頻率、增設隱私設定，直到無法滿足個人使用慾望，以跨平台至Instagram和創建臉書

新帳號為最多記者採用的戰術。記者在多重情境之下，並不會完全消失在臉書中，而是以臉書為本，其他社群平台為輔。這顯示，記者不願破壞臉書經營已久的人際關係，運用臉書原始科技的設計翻轉為有用資源，知覺臉書龐大的使用者和資訊量之優勢，從單純交友軸線轉變成輔助新聞工作的工具，以經營弱關係和獲取資訊管道為主，Instagram則成為私人的生活實記；記者游移在社群平台之間的差異行為，彰顯出記者的戰術因應科技變遷不斷地適應，也深受日常生活和工作經驗影響。