SONY 監視器的問題，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

Google教你深度學習：中小企業如何利用會自己學習的電腦?

為了解決SONY 監視器的問題，作者日經大數據 這樣論述：

你要聽特斯拉馬斯克的或是臉書祖克伯的？ 前者認為人工智慧（AI）會毁滅人類，後者說不會！ 其實你應聽Google的， 它提供平台讓中小企業也可以搭上人工智慧的特快車！ 　　將衝擊世界的人工智慧類型基本上是指會自己學習的電腦，也就是所謂的機器學習（Machine Learning）及深度學習（Deep learning），而非過去大家習慣的電腦依程式行事。前者是指機器自己由大量資料中，得出某結論，如給電腦一堆貓的圖片，他會自己替貓做定義，進而由一張被切割的照片中，判斷那是不是貓。而深度學習則是電腦自行處理多層結構的訊息，而進行判讀。 　　人工智慧用5000部影片，就可以自己學會讀唇語！

　　曾有研究單位利用「深度學習」學習唇語的判讀，他們將英國BBC電視頻道的多個節目系列、合計約五千小時的影片做為學習的資料。學習後的電腦，在兩百支影片測驗組合中，光靠唇部動作便成功解讀出大約百分之五十的單字。而即使是在法庭上擁有十年以上經驗的唇語術專家，在相同的測驗中也只能判讀四分之一左右的單字。 　　電腦具備自主學習及判斷能力的事實將對人類社會產生重大衝擊，本書不只以一般人能理解的方式說明人工智慧在技術方面的進展，更以大量的實例，說明目前全球各種規模的企業如何利用會「學習」的電腦，來改變企業的運作。例如客戶服務的工作，原本極為依靠人力，但是，現在只要投入大量過去的QA，電腦會自己學會如何

對應客戶；如語文的翻譯，電腦也可以自己由大量的翻譯資訊中學習，讓翻譯的品質提升。 　　善用人工智慧技術的企業，將在企業的經營上（至少成本的控制上），取得領先。問題是人工智慧的發展是否有很高的技術門檻？阻擋一般的中小企業於門外？其實不然。 　　中小企業也可以利用Google平台提供的應用程式介面，發展自己的深度學習運用 　　谷歌在其雲端服務「Google Cloud Platform（GCP）」中，將谷歌研究開發至今的深度學習成果透過兩種方式開放一般大眾使用（Google目前將人工智慧用在公司一千種服務以上）：一種是將機器學習訓練完畢的模型，以應用程式介面 (Application Pro

gramming Interface；API)方式提供服務。另一種是提供機器學習程式庫「開源機器學習系統（Tensor Flow）」。 　　應用程式介面（API）一般是指能將擁有特定機能的電腦程式由外部程式叫出使用的介面。透過應用程式介面與電腦程式連結，就可以直接利用其功能。 　　谷歌將許多不同種類具有「機器學習」或是「深度學習」能力的「模型」放在「谷歌雲端平台（GCP）」。中小企業可以利用應用程式介面，直接利用其功能。而這些「模型」已經經過基本的「訓練」，因此使用者只要提供少量的資料，就可以達成學習的目的。 　　因為有了應用程式介面（API）的提供，使得「機器學習」與「深度學習」為一般

企業所用的門檻大幅降低了。只需以程式介面（API）程式將「模型」叫出，就能使用圖像辨識與語音辨識的最新成果，真的很方便。 　　不過另一方面，許多太專業的運用，如人體器官病徵的辨識或是機械故障的預兆判斷等，無法以應用程式介面（API）套用現有的「模型」。谷歌所準備的機器學習程式庫「開源機器學習系統 TensorFlow」將派上用場。使用者可以下載程式，自行發展所需要的功能。「使用TensorFlow最大的好處，是只要以Python語言寫出簡單的程式碼，就能運用深度學習」。 　　本書不只告訴你人工智慧是什麼？將改變什麼？更告訴你可以做什麼，讓公司保持在科技的浪潮尖端。 本書特色 　　從定義

到駕御：讓你徹底搞懂將對人類產生鉅大影響的科技 　　本書在觀察大量企業的運用後，在第五章《架構活用篇》提出導入的深度學習的具體架構，讓讀者不只能懂，也能縮短運用時摸索的時間。本書發現人工智慧（機器學習、深度學習）的風潮席捲全球，不過其在企業運用的目的不外以下幾種：1、刪減成本。2、提高附加價值創造出新的商機。3、提升創意性。而在觀察幾百家企業的操作後，發現以刪減成本的目的最容易產生效果。 　　用案例讓讀者完全理解 　　對沒有技術背景的民眾而言，最關心的是人工智慧（機器學習、深度學習）要如何運用，本書以實際的案例說明相關問題： 　　■ 安藤HAZAMA――用以判斷隧道工程之岩盤硬度 　

　為了建設隧道工程時能兼具安全與效率，安藤HAZAMA與日本系統軟體共同開發的「隧道開挖面AI自動評價系統」。將挖掘隧道時最尖端之開挖面照片輸入後，該系統就會自動評價其岩盤的硬度、脆性等工學特性。透過人工智慧帶來的岩盤工學特性評價自動化，即使沒有專家或資深技師在場，也能給予正確的判斷。 　　在學習之際，將五百張左右的相片進行分割，製作成五萬張的相片資料。結合相片岩石所代表的彈性波速度，一起讓機器學習的結果，在拍攝開挖面相片後，就能得到彈性波的速度值。新系統在從開挖面的相片辨識其相對應的彈性波速度上，正確率大約有百分之八十五。 　　■ AUCNET IBS――從車輛相片就能鎖定款式 　　深

度學習特別適用於圖片的識別。從事支援中古車等業者間交易的AUCNET（位於東京都港區）系統開發子公司之AUCNET IBS就是圖片識別運用的例子。該公司運用深度學習技術，開發了能自動將車輛不同部位照片歸類上傳到網站的系統「konpeki（紺碧）」。二〇一六年十一月集團旗下的中古車經銷商FLEX（東京都港區）採用了這個系統，提升網站上資訊登錄作業的效率。 　　中古車經銷商經常需要為購入的中古車拍攝許多相片、進行上傳到自家網站或資訊網站的作業。車子的左斜前方、右斜前方、右側、左側、後方、還有車內的前座及後座、儀表板、導航等……。這些相片如果由店員手工整理的話，大概要花個五分鐘左右。Konpeki

系統只要經銷商店員將拍攝的相片登錄，就立刻能自動依部位別分類，輕鬆地上傳至中古車資訊網站。 　　它將車輛外部區分為十八種、内部區分為十二種。它也會將包含車輛的相片、但並非銷售對象的圖像（如廣告）區分出來。甚至還能鎖定某品牌、車名、款式，顯示平均銷售價格帶。 　　「konpeki（紺碧）」系統的開發便是採用了谷歌的「谷歌雲端平台（GCP）」上為了開發深度學習模型的程式庫「開源機器學習系統（Tensor Flow）」、讓機器學習大量圖像資料而成。 　　■ 以少量的訓練資料構築出車輛台數檢測的系統 　　Aerosense與大數據的BrainPad公司共同合作、運用了深度學習技術的作法。開發了

從空拍圖像中測出停車車輛數的系統。先從實驗結果來看的話，使用了深度學習的空拍圖辨識汽車模型，在顯示了一百一十六輛汽車的測試圖資料中，測岀結果為一百二十二輛。 　　Aerosense的汽車辨識模型，其特點在於其從空拍圖辨識汽車用的深度學習模型，並非是從零開始打造的。研發人員說明：「若要製作專用的模型，將需要大量的訓練資料。即使有一萬張也不夠吧！這次是運用了現有的模型，大約只有一百三十張的少量訓練資料，就顯示出其高精確度，很有價值。」 　　在深度學習模型的開發上，活用了谷歌的深度學習程式庫「TensorFlow」。利用TensorFlow中名為「Inception-V3」之一般圖像辨識模型，從

圖像資料中製作抽取了特徵值的向量。此時，使用約一百三十張的汽車空拍照作為訓練資料。抽取了特徵值的向量，再以一種名為SVM（支援向量機；Support Vector Machine）的機器學習進行學習，得出結果。 　　結合500家企業的導入經驗，系統化說明著手運用深度學習的方法 　　作者輔導了500家以上企業導入深度學習於工作之中，他用資料×目的的矩陣，描繪出活用展望圖，協助讀者理清頭緒，讓公司縮短導入摸索的時間。  

SONY 監視器進入發燒排行的影片

基於無人機應用之視覺交通分析系統

為了解決SONY 監視器的問題，作者陳柏伸 這樣論述：

隨著5G網路日趨的普遍，物聯網將進入新的里程，隨之的應用也將繼續發展，無人機的應用將得到更好的結果，藉著無人機的機動性優點，在民間也發展出他的需求，在交通的方面，過去仰賴閉路監視器作為交通系統分析的重要來源角色，從行控中心以人工的方式回報交通狀況，到現今有人工智慧的時代，靠著機器取代部分人力，利用大數據的分析，影像辨識取得視覺資料，無人機的機動性將提供更便利的影像來源，擴充閉路監視器的涵蓋範圍。本論文使用Raspberry Pi 4為主機，設計一個無人機的掛載配件，可透過Raspberry Pi Camera V2鏡頭取得影像，經Wi-Fi或是行動網路傳送，OpenCV為主要影像辨識的工具，

使用其中的Haar Cascade Classifier和直方圖分析兩大功能，將結合道路現有的閉路監視器與無人機的畫面，考量到無人機具有機動的特性，會時常的移動所在地，因而設計一套可在手機上執行簡易交通分析的應用程式，針對道路上較多的中、小型車輛為分析對象，可供任務機組人員在承接行控中心任務後，抵達監控地點時，也能為行控中心做出簡單的分析工作，加快整體交通問題的分析，也同時減少影像或資料傳輸時所消耗的時間，機組人員亦可調閱其他閉路監視器，做出相關決策。因考慮到我國法律的一些限制，無法實際將無人機飛至高速公路旁，使用交通部高速公路管理局公開的影像畫面，以隧道內的監視器作為即時監視器影像來源，戶外

的監視器做為模擬的無人機拍攝畫面，製作出個可以實際連線操作的無人機掛載配件，實驗採用實機的手機測試，地點選用單向多車道，結果中Haar Cascade Classifier的辨識率可達85%以上，對辨識結果的分析亦可到80%以上。

一本書讀懂智能家居

為了解決SONY 監視器的問題，作者海天電商金融研究中心 這樣論述：

科技將引領家居智能化！ 透過網路實現All in one的生活概念， 運用手機、平板等平台控制家電、警報等產品， 智能家居的出現，讓你一手守護家中生活！ 　　想做早餐卻擔心睡過頭嗎？想知道寵物單獨在家時都做些什麼嗎？想知道家中的防盜安全嗎？想像電影中的場景，用一支手機或是平板，就能掌控家中的一切嗎？ 　　智能產品的出現，將帶給人類家庭自動化的智能生活！只要運用布線、網路技術，將與家居生活有關的產品帶入，不管是防盜、影音、家電品等設備，就能建構成智能家居。 　　不管是睜開眼就能吃到香噴噴的早餐，或是一個指令就能開啟家中監視器，查看寵物是否搗蛋，甚至是運用智能探測防盜系統，即使出門在外也

不用擔心小偷闖入，只要有效運用智能家居產品，就能改善生活品質，讓生活更加豐富多元。 本書特色 　　循序漸進，深入淺出 　　本書先由基本理論了解智能家居的發展現況、演變過程等，再對智能家居的技術與系統設計加以分析，最後再針對實際運用技巧與功能操作進行說明。 　　圖片解析，淺顯易懂 　　利用圖片加以解說，幫助讀者能夠輕鬆了解智能家居的知識與功能。 　　從理論到應用，從書走入生活 　　從基本概念到應用技巧說明，使讀者能夠在生活中實際操作，並利用多家廠商的家居產品進行舉例說明，使讀者能夠清楚了解智能家居產品的功能操作。

超薄型數位攝影鏡頭在鏡頭長度2 mm以內之設計與成像面彎曲探討

為了解決SONY 監視器的問題，作者黃冠二 這樣論述：

本論文使用8個數位攝影鏡頭之設計進行鏡頭長度的分析與像面彎曲探討，分別為30萬畫素的兩個設計、100萬畫素的一個設計、200萬畫素的四個設計與200萬畫素像面彎曲的一個設計。在30萬畫素的兩個設計中，將半視角從20度增加到30度，使得有效焦距變短，鏡頭長度從12.964 mm縮短為8.439 mm，再選擇較小的單一畫素大小，將成像高度變小，進行100萬與200萬畫素的第一個設計，其鏡頭長度分別為5 mm與2.65 mm，在200萬畫素的第二個設計中，以達到相對照度的要求下，將半視角增加至32度，使得鏡頭長度縮短為2.447 mm，在200萬畫素的第三與第四個設計中，縮短後焦距並探討鏡片之折光

率、主平面間距、厚度、折射率與第二主平面的關係，其鏡頭長度分別為2.14 mm與2 mm。當鏡頭長度越薄，像方主光線角度會越大，造成相對照度下降，場曲也同時變大，導致成像品質下降，所以鏡頭長度的縮短是有一個限制的，在200萬畫素像面彎曲的設計中，其像面的曲率半徑為-6.318 mm，修正了像方主光線角度過大的問題，並且補償場曲造成的像差，使得成像品質提高。