Edge IE Mode 2021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

AN AUTONOMOUS SYSTEM DEVELOPED WITH INTEGRATION OF SUPERVISED AND UNSUPERVISED LEARNING FOR DETECTION OF DEFECTS IN PRINTED CIRCUIT BOARD

為了解決Edge IE Mode 2021的問題，作者安艾尼 這樣論述：

背景：PCB 在日常電子產品中幾乎無處不在，不僅用於商業用途，也可用於國防和太空探索等敏感應用。在生產過程中，應對這些 PCB 進行檢查和質量驗證，以發現任何問題。大多數電子公司都專注於其商品的質量。一個電子設備（如 PCB）的製造或質量檢查過程中的微小誤差可能導致災難性的結果。已經使用了許多不同的方法和方法過去在質量檢查過程中發現PCB中的缺陷。結果，製造業務正在經歷一場巨大的變革，對象檢測方法如 YOLO-v5 成為包括電子行業在內的眾多行業的遊戲規則改變者。方法：我們設計了一個 2 級自主 PCB 缺陷檢測系統。最初，我們提供了一種新的無監督學習方法來檢測印刷電路中的缺陷使用學生-教師

特徵金字塔匹配作為預訓練圖像的板分類模型來學習沒有異常的圖像的分佈。這種無人監督學習方法以 3000 張好的圖像開始。第二階段，我們使用了YOLO-V5，這是最先進的算法，我們使用了 23,000 個有缺陷的 PCB 圖像。據我們所知，監督學習需要更多的數據，並且很難收集數據和檢測使用較少數據的缺陷。首先，知識被提取到一個學生網絡中與教師網絡相同的架構。這一一步轉移保留了盡可能多的關鍵線索盡可能。系統還添加了多尺度特徵匹配技術。一種混合來自特徵金字塔的多層次知識通過更好的監督流動，稱為分層特徵對齊，允許它被學生網絡接收，允許用於識別不同大小的異常。評分函數表示發生的異常。結果：正如我們開始使用

無監督學習方法一樣，我們已經部署了無監督方法的兩種模型。在第一個模型中，我們使用了 SGD學習率為 0.04 的優化器，對於無監督學習中的第二個模型，我們有使用學習率為 0.001 的 Adam 優化器。我們已經達到了平均準確度學習率為 0.04 的 SGD 優化器和 Adam 優化器分別為 94.63% 和 97.43%學習率為 0.001。在第一階段之後，我們進入第二階段，一個有監督的已經測試了 3 個模型的方法：小型、中型和大型。小的平均精度，中、大分別為 97.52%、99.16% 和 99.74%。結論：我們對無監督的 STPM 幾乎達到了 97.43% 的準確率學習和監督學習的 9

9.52%。將兩種算法結合在一起將它們作為兩階段自主 PCB 缺陷系統實施 我們開發了一個完全實施已部署在質量檢測環境中的自主系統。仍然，必須實施和執行持續集成和持續部署，這將引導我們進入一個連續形式的完全自治系統。未來，我們希望開發一種可以在行業中實施的連續形式的完全自主的方法在不遠的將來。

應用人體姿態影像技術開發智能電動推車跟蹤系統

為了解決Edge IE Mode 2021的問題，作者王義中 這樣論述：

在現今社會中，無人載具在工業物流中上扮演著相當重要的角色，在搬運輕負載過程中，仍然需要透過人力來進行移動，因此省力效率與輔助動力功能，成為搬運效率的關鍵項目之一，故本研究主要開發一部智能電動手推車設備，利用電動輔助機構進行搬運功能，藉此提升搬運效率與縮短搬運時間，並具備省力與爬升、下降安全輔助功能。本文研究利用市售載重手推車結合電動輪轂馬達作為運載設備，建構一部兩輪輔助動力之電動輔助推車，其目標功能可載重一百五十公斤，具備轉向控制、斜坡煞停等功能，為達到電動輔助推車廣泛應用領域，本文則開發三種控制模式：手動控制、無線遙控、影像跟蹤模式。本文研究開發三種解決方案，手動控制模式透過手推車上的電子

油門與方向旋鈕，提供電動輔助推力，達到省力與安全輔助功能；無線控制模式透過無線射頻晶片整合至自製遙控器，開發自製命令編碼，並達到無線控制多部設備功能，經由實驗無遮擋狀況下，具有距離三百米以上穩定控制車體行走功能；影像跟蹤控制模式透過光學攝影機抓取動態影像畫面，經由Python與OponeCV進行影像處理，並使用Google開發的機器學習模型MediaPipe人體姿態辨識演算法，成功開發出推式控制與拉式控制，兩種電動推車影像控制模式，經由實驗影像辨識具有十五幀以上處理能力，達成人體姿態穩定控制車體行走方向。