RGB 電腦主機的問題，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

專業商用3D遊戲引擎大揭秘：Panda3D、C++、Python

為了解決RGB 電腦主機的問題，作者劉暉,林欣,李強 這樣論述：

　　Panda3D是世界十大開放原始碼遊戲引擎中，功能最完整、效能最穩定、商業化限制最少的一款。目前，迪士尼仍在使用，世界各地的業界人員也以開放、共用全部原始程式碼方式不斷促進這款遊戲引擎的持續發展。在競爭激烈的國外遊戲引擎市場中，Panda3D始終引人注目，技術領先。 　　本書為讀者深入、完整掌握遊戲引擎C++、Python核心，書附程式中有80多段示範效果，為Windows、Linux、Mac作業系統中的C++、Python遊戲引擎開發者提供價值無窮的資源。作者結合深入的專業知識及多年的實作開發經驗，重點針對市場、讀者技術實作需求撰寫此書，相信讀者能夠輕鬆掌握Pand

a3D的使用技巧，簡單快速地步入3D應用程式開發新天地。

RGB 電腦主機進入發燒排行的影片

發展基於深度學習之智慧自動撿球機

為了解決RGB 電腦主機的問題，作者黃芃銘 這樣論述：

本文研究基於深度學習設計並實現以樹莓派為作動車體、電腦為運算主體，整合神經網路、機器視覺、網路傳輸、車體運動等技術，開發出可以自動找球的智慧撿球車。該智慧撿球車與以往只有結合鏡頭的自走車不同的地方，是在於加入了網路傳輸及深度學習這兩種技術，利用智慧撿球車上的鏡頭所擷取到的影像，使用影像壓縮並編碼成Byte型式的影像訊息，透過無線網路的傳輸，從樹莓派傳送到負責運算的電腦主機，把接收到解碼成原來的影像，放入已經訓練好的深度學習模型，判斷出影像中是否有出現目標物，回傳作動訊息，讓智慧撿球車進行收球或找球的動作。

Arduino權威指南(第2版)

為了解決RGB 電腦主機的問題，作者（美）馬格里斯 這樣論述：

（Arduino Cookbook）是關於Arduino的基礎知識和應用的權威入門手冊，從基本概念、常見任務到高級技術，本書應有盡有。前4章介紹簡單的入門知識，使你初步認識Arduino並與計算機和其他設備進行通信。5~9章針對輸入和輸出進行細致講解。第10章開始介紹高級編程和技術應用。本書將通過200個常見的實例來幫助你在實踐中成為Arduino的使用高手。本書的講解細致，不需要有軟件和硬件的經驗，通過這本書，可以利用計算機技術和環境互動找到快速解決硬件、軟件問題的方法。有經驗的程序員也可以在本書中得到試用底層的AVR資源構建使用Arduino環境的應用。作者Michae

l Margolis，是Arduino語言庫和核心軟件的編寫者之一，現任Avaya首席技術總監，曾在索尼、微軟、朗訊/貝爾實驗室工作，擁有30多年的相關經驗，曾著《學Arduino玩轉機器人制作》。譯者楊昆雲，在美國俄亥俄州立大學獲得生物物理學博士學位，隨后在加州理工大學做博士后研究，現旅居美國。自幼愛好電子制作和程序編寫，在Arduino微控制器系統推出之后，積極向中國國內愛好者介紹推廣這一易學易用的制作平台，現任百度貼吧Arduino吧的吧主。

基於ROS框架及深度學習演算法之色彩分析與辨識

為了解決RGB 電腦主機的問題，作者黃任鴻 這樣論述：

目錄指導教授推薦書口試委員審定書致謝 iii摘要 ivAbstract v目錄 vi圖目錄 viii表目錄 xi1 緒論 11.1 研究動機 11.2 研究方法與目的 41.3 論文介紹 62 硬體與ROS介紹 82.1 硬體介紹 82.2 平行運算技術介紹 102.3 ROS介紹 123 深度學習與影像辨識 163.1 深度學習運作環境 163.2 自行訓練深度學習模型 183.3 影像辨識演算法的演進 223.

3.1 卷積神經網路 233.3.2 區域卷積神經網路 243.3.3 空間金字塔池化網路 253.3.4 Fast R-CNN 273.3.5 Faster R-CNN 284 色彩分析方法與影像辨識強化分析 334.1 電腦視覺與顏色 334.2 顏色分析方法 334.3 影像辨識演算法結合色彩分析 384.4 顏色分部與集中程度 454.5 樣式分類準則與判斷方法 565 實驗結果與分析 655.1 ROS控制攝影機擷取影像 655.

2 資料集與模型訓練 665.3 背景對色彩分析的影響 705.4 辨識結果與進階分析 725.5 各種類方法比較 736 結論與建議 766.1 結論 766.2 建議 78參考文獻 79 圖目錄圖 2.1 GPU電腦主機 8圖 2.2 Kinect攝影機 9圖 2.3 GPU與CPU架構圖 10圖 2.4 ROS資料流示意圖 14圖 2.5 ROS架構圖 15圖 3.1 標記圖片資料 22圖 3.2 利用標記資料訓練並產生模

型 22圖 3.3 卷積運算 24圖 3.4 最大值池化演算 24圖 3.5 R-CNN流程圖 [41] 25圖 3.6 R-CNN架構示意圖 [41] 25圖 3.7 輸入圖片的裁切與縮放 26圖 3.8 R-CNN流程與SPP-NET流程差異 [43] 27圖 3.9 Fast R-CNN架構示意圖 [44] 28圖 3.10 Faster R-CNN示意圖 29圖 3.11 候選區域產生示意圖[45] 29圖 3.12 候選區域架構示意圖 [45] 30圖 3.1

3 IoU值計算示意圖 30圖 3.14 候選框回歸調整示意圖 [45] 31圖 3.15 感興趣區層後的處理流程[45] 32圖 4.1 HSV三值關係圖 35圖 4.2 色彩分析顏色分類表 36圖 4.3 色彩過濾測試 37圖 4.4 顏色辨識流程圖 38圖 4.5 影像辨識演算法結合色彩分析架構 39圖 4.6 雙線性插值法 40圖 4.7 Faster R-CNN影像辨識產生輪廓資訊 41圖 4.8 強化分析流程圖 42圖 4.9 強化分析結果

43圖 4.10 衣服辨識結果-範例一 44圖 4.11 衣服辨識結果-範例二 44圖 4.12 衣服辨識結果-範例三 44圖 4.13 衣服辨識結果-範例四 45圖 4.14 平面上點的分散程度示意圖 46圖 4.15 座標點回填 47圖 4.16 不同大小的相同影像 48圖 4.17 素色衣服樣式 50圖 4.18 雙色、上下兩色塊樣式 51圖 4.19 雙色橫條紋樣式 52圖 4.20 樣本分散程度散點圖 55圖 4.21 樣本平均座標點的散點圖

56圖 4.22 測試樣本 57圖 4.23 分散程度常態分布圖 60圖 4.24 中心點位置常態分布圖 61圖 5.1 攝影機截取圖像 65圖 5.2 資料集整理並編號 67圖 5.3 標註物件位置與物件 67圖 5.4 不同訓練圖片數的辨識效果 69圖 5.5 8種不同背景色的影像資料 70圖 5.6 測試衣服的顏色組成比例 71圖 5.7 不同背景色，衣服顏色組成趨勢圖 72圖 5.8 辨識失敗樣本圖 73 表目錄表 2.1 電腦主機規格表

9表 2.2 硬體運算加速技術 11表 3.1 各類深度學習框架表 17表 3.2 COCO模型辨識物件項目表 [38] 20表 3.3 PASCAL VOC模型辨識物件項目表 [39] 21表 4.1 數值正規化時彥表 50表 4.2 不同衣服樣式的標準差正規化 52表 4.3 素色樣本統計表 54表 4.4 抽樣統計表 54表 4.5 素色判斷表 57表 4.6 58個樣本測試結果表 58表 4.7 78個樣本測試結果表 59表 4.8 樣式常態分布數據

表 61表 4.9 測試點與樣式的相對距離 62表 4.10 塊狀與條紋的特徵概率 62表 4.11 不同權重的判斷結果概率比較 64表 5.1 訓練圖片張數與訓練時間統計 69表 5.2 在不同背景顏色下，衣服顏色的組成比例(單位：%) 71表 5.3 樣式辨識實驗表 73表 5.4 論文比較表 74