歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
國立高雄科技大學 電子工程系 陳聰毅、鄭平守所指導 吳嘉文的 以影像技術提升自動搬運車之效能 （2019），提出1u機架關鍵因素是什麼，來自於自動搬運車、工業4.0、影像辨識、智慧生產。
而第二篇論文國立雲林科技大學 電機工程系 吳先晃所指導 陳立耀的 以深度學習進行銅箔表面瑕疵分類系統的整合與開發 （2019），提出因為有 銅箔檢測、AOI、深度學習、瑕疵分類的重點而找出了 1u機架的解答。
以影像技術提升自動搬運車之效能
為了解決1u機架 的問題，作者吳嘉文 這樣論述：
在工業4.0的浪潮下，智慧生產已成為世界主流。產業期望運用自動搬運車(Automation Guided Vehicle)，來提升產能、減少物料搬運成本以及降低工安事件。現有的自動搬運車系統，大多使用實體軌道或磁式感應軌道，缺點：占用較大空間、不易自行更改生產線配置、物料搬運的正確也時有所誤。 為了改善上述的缺點，本研究提出以影像辨識技術結合二維碼(Datamatrix)，提升物料正確搬運與便利產線更新配置的自動搬運車系統，並提供遠端監控的介面，掌握自動搬運車運作狀況。 本論文針對自動搬運車系統，從建置需求、系統規劃以及整體工作動線勘查，透過二維條碼系統設計地碼和貨物碼，
再利用上、下雙鏡頭影像辨識的技術，來提升自動搬運車的運作效能與準確性。將本系統導入H公司運用後，藉由成本效益分析法得知，系統投入成本3,520,000元，第1年的淨現值為12,680,000元，益本比高達4.6，人力節省了50%，證明本系統能有效提升工廠的產能與降低相關成本。
以深度學習進行銅箔表面瑕疵分類系統的整合與開發
為了解決1u機架 的問題，作者陳立耀 這樣論述：
銅箔是製作印刷電路板（Printed circuit board, PCB）的重要的材料，是一種陰質性電解材料，沉澱在電路板基底層上的一層薄薄的金屬箔。作為PCB的導電體，具備非常容易黏合在絕緣層上的特性，經過腐蝕後形成電路圖樣。在電子信息產業被視為電子產品信號與電力傳輸、溝通的神經網路。在許多產業中，自動化光學檢測（Automated Optical Inspection, AOI）的技術已經越來越普及，而在工廠的自動化產線，AOI設備檢測更是不可或缺。許多原本靠人力檢測的工作，已逐步被自動化設備取代，以達到避免人工疲勞而產生的錯誤，以及快速準確檢測的效果。AOI在傳統的處理方法上，需要花
費工程師大量的時間來開發演算法以及定義特徵。傳統的方式對於樣品的特徵很敏感，假如換了另一批樣品或是另一種製程，就必須重新定義新的特徵以及演算法。如果能以深度學習的方法代替傳統方法，將能省去這些大量被浪費的人力與時間。因此，本研究將銅箔作為研究對象，使用了深度學習的方法，利用卷積神經網路（Convolutional Neural Network, CNN）作為檢測後的分類系統。並且，設計了一套完善的使用者介面（User Interface, UI）來即時監控生產品質與顯示檢測到的瑕疵，使檢測的資訊能夠一目瞭然。最後，將兩邊系統整合，把人機介面的機台與瑕疵檢測的機台透過通訊協定來交流，達到系統整合
之效果。