Image Resizer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

應用數據增強法改善晶圓圖分類及印刷電路板之瑕疵檢測

為了解決Image Resizer的問題，作者朱廷翊 這樣論述：

目錄書名頁 i論文口試委員審定書 ii中文摘要 iii英文摘要 iv誌謝 v目錄 vi表目錄 ix圖目錄 x第一章 緒論 11.1 研究背景與動機 11.2 研究目的 11.3 研究流程 2第二章 文獻探討 32.1 瑕疵檢測 32.1.1 印刷電路板瑕疵檢測 62.2 圖像分類 72.2.1 晶圓圖像分類 72.3 圖像特徵增強 82.3.1 生成對抗網路 122.4 深度學習 132.4.1 卷積神經網路 132.4.2 You Only Look Once version 4 (YOLOv4) 142.5 Vision Transfor

mer 16第三章 研究方法 173.1 研究架構 173.2 研究流程 183.3 研究資料 203.3.1 印刷電路板缺陷數據集 203.3.2晶圓資料集 223.4深度學習訓練模型建構 253.4.1 Convolutional Neural Network卷積神經網路 253.4.2 Vision Transformer模型建構 293.4.3 YOLOv4模型建構 313.4.4 生成對抗網路(GAN) 353.4.5 隨機擦除(Random Erasing) 353.5 模型績效衡量指標 363.5.1 mAP & IoU 363.5.2 Confus

ion Matrix 383.6 實驗環境 39第四章 研究結果 404.1 資料集處理 404.1.1 原始資料集 414.1.2 數據增強後的資料集 424.2 實驗設計與結果 444.2.1 ViT模型用於原始晶圓資料集 444.2.2 ViT模型用於晶圓數據增強資料集 464.2.3 ViT模型用於加入none類別的晶圓資料集 484.2.4 ViT模型用於加入none類別的晶圓增強資料集 504.2.5 ViT模型用於加入5%none資料集 524.2.6 ViT模型用於加入7%none資料集 544.2.7 ViT模型用於加入10%none資料集 564

.2.8 YOLOv4模型用於原始PCB資料集 584.2.9 YOLOv4模型用於增強PCB資料集 594.3 實驗結果說明 614.3.1 晶圓圖像資料集訓練結果 614.3.2 印刷電路板資料集訓練結果 62第五章 結論與建議 655.1 結論 655.2 建議和未來研究方向 66參考文獻 67表目錄表 一、缺陷檢測應用的問題 3表 二、圖像特徵增強的相關方法 9表 三、印刷電路板缺陷種類分布 21表 四、晶圓圖像種類分布 22表 五、晶圓缺陷種類 23表 六、電腦環境 39表 七、原始晶圓資料集 41表 八、原始印刷電路板資料集 41表 九、Style

GAN生成的圖像 42表 十、增強晶圓資料集 43表 十一、增強印刷電路板資料集 43表 十二、原始資料分類報告 45表 十三、StyleGAN增強資料分類報告 47表 十四、有none類別的資料分類報告 49表 十五、有none類別的數據增強資料分類報告 51表 十六、加入5%none類別的資料分類報告 53表 十七、加入7%none類別的資料分類報告 55表 十八、加入10%none類別的資料分類報告 57表 十九、晶圓圖像數據增強結果 62表 二十、加入none類別晶圓圖像分類結果 62表 二十一、印刷電路板結果 63圖目錄圖 2 1、YOLOv4與其他演算法的

比較(摘自:(Bochkovskiy et al., 2020)。YOLOv4: Optimal Speed and Accuracy of Object Detection。Fig. 1) 14圖 3 1、研究流程圖 19圖 3 2、CNN架構(摘自: (LeCun et al., 2010)。Convolutional Networks and Applications in Vision。Fig. 1) 25圖 3 3、卷積核(摘自:(Nirthika et al., 2022)。Pooling in convolutional neural networks for medica

l image analysis: a survey and an empirical study。Fig. 2) 26圖 3 4、Input image(摘自:(Nirthika et al., 2022)。Pooling in convolutional neural networks for medical image analysis: a survey and an empirical study。Fig. 2) 26圖 3 5、卷積層運作概念(摘自:(Nirthika et al., 2022)。Pooling in convolutional neural networks

for medical image analysis: a survey and an empirical study。Fig. 2) 27圖 3 6、Max pooling(摘自: (Gholamalinezhad & Khosravi, 2020)。Pooling Methods in Deep Neural Networks, a Review。Fig. 2) 28圖 3 7、Average pooling(摘自:(Gholamalinezhad & Khosravi, 2020)。Pooling Methods in Deep Neural Networks, a Review。F

ig. 1) 28圖 3 8、Transformer架構圖(摘自: (Vaswani et al., 2017)Attention Is All You Need。Fig. 1) 30圖 3 9、Vision Transformer架構圖(摘自: (Dosovitskiy et al., 2020)AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE。Fig. 1) 31圖 3 10、YOLOv2 Neck架構圖(摘自:(Huang et al., 2020)。DC-SPP-YOLO: Den

se Connection and Spatial Pyramid Pooling Based YOLO for Object Detection。Fig. 3(a)) 32圖 3 11、SPP組成架構圖(摘自:(Huang et al., 2020)。DC-SPP-YOLO: Dense Connection and Spatial Pyramid Pooling Based YOLO for Object Detection。Fig. 3(b)) 33圖 3 12、PANet架構圖(摘自:(Liu et al., 2018)。Path Aggregation Network for I

nstance Segmentation。Fig. 1) 34圖 3 13、PAN內部架構圖(摘自:(Liu et al., 2018)。Path Aggregation Network for Instance Segmentation。Fig. 1) 34圖 3 14、生成對抗網路 35圖 3 15、Random Erasing示意圖 36圖 3 16、PR curve示意圖 37圖 3 17、IoU示意圖 37圖 3 18、Multiple Classes Confusion Matrix 38圖 4 1、原始資料Loss & Accuracy 44圖 4 2、原始資料混

淆矩陣 45圖 4 3、StyleGAN增強資料Loss & Accuracy 46圖 4 4、StyleGAN增強資料混淆矩陣 47圖 4 5、有none類別的資料Loss & Accuracy 48圖 4 6、有none類別的資料混淆矩陣 49圖 4 7、有none類別的數據增強資料Loss & Accuracy 50圖 4 8、有none類別的數據增強資料混淆矩陣 51圖 4 9、加入5%none類別的資料Loss & Accuracy 52圖 4 10、加入5%none類別的資料混淆矩陣 53圖 4 11、加入7%none類別的資料Loss & Accuracy 5

4圖 4 12、加入7%none類別的資料混淆矩陣 55圖 4 13、加入10%none類別的資料Loss & Accuracy 56圖 4 14、加入10%none類別的資料混淆矩陣 57圖 4 15、YOLOv4訓練Loss圖 60圖 4 16、WM-811K資料於其他研究的Recall(摘自: (Li et al., 2022)。Wafer Defect Pattern Labeling and Recognition Using Semi-Supervised Learning，Fig. 17) 61

利用深度學習進行校園門口人車分類與計數研究

為了解決Image Resizer的問題，作者陳禹安 這樣論述：

近年來政府積極推動智慧校園，其中建立智慧型安全的校園，對校園師生安全的保護是很重要的，尤其是校園門口，師生每天進出，若稍不注意，會發生意外。然目前這方面的研究較少，加上深度學習之 YOLOv4 是目前在速度與辨識精確度取得最好平衡的物件偵測框架，所以，本研究利用深度學習之 YOLOv4，進行校園門口人車分類之研究。為了完成此研究，我們收集北部某大學門口人車資料，將人標記為男人、女人、警衛、清潔人員四類，將車標記為白色車、黑色車、紅色車、銀色車、藍色車、機車六類，共計 10 類人車。經訓練後比較不同代數的訓練權重，得到最佳的代數權重，將此權重應用於開放性(未經過標記)影像測試分類，論文中分兩次

實驗，第一次實驗結果由於各類樣本數差異太大，造成平均精確率不夠高，第二次實驗增加各類樣本數，讓各類樣本數差異縮小，並因為資料量變多而調整訓練代數為 15 萬代，最後將兩次實驗結果在未經訓練的圖片上做比較，結果在平均精確度下，第二次實驗有不錯的結果。另外將第二次實驗訓練出來的權重拿來搭配 DeepSort 目標追蹤演算法取得 Trackid，並在校園門口畫上計數線，統計校園門口人車分類的進出計數，未來將收集更多人車分類資料樣本並繼續進行實驗，來完成校園門口人車分類最佳結果，往智慧校園邁進。