Socket 1151 CPU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

應用不同深度學習工具以提高金屬加工產品瑕疵檢測之影像辨識成功率

為了解決Socket 1151 CPU的問題，作者吳姎恂 這樣論述：

工業4.0來襲加上消費型態轉變，過去以人工檢測之勞務，近來已漸漸被自動化及機器視覺所取代。主要原因是機器視覺可結合人工智慧之深度學習技術，解決人工判斷時的模糊區間，並提供一致性的判斷準則，使產品檢測標準一致，並提升檢測效率與準確度(accuracy)，展現智慧製造之特色。本研究以金屬加工產品瑕疵檢測為例，建立完整深度學習技術，以卷積神經網路(Convolutional Neural Network)為框架，利用特徵自學特性，解決AOI以固定式檢測而無法精確辨識加工之小毛刺或真圓度所產生的NG/OK模糊空間。由AOI系統擷取影像後，將產品影像分為NG/OK，並應用Matlab(batch 32

、batch 2)與SmaAI Trainer(medium、large)兩種不同深度學習工具，其深度學習架構為卷積層、池化層及全連接層搭配ReLU 激活函數，以及自適應的學習率優化演算法Adam為主要測試方法且初始學習率設置為0.00001，再利用交叉熵的演算法計算損失函數。其中SmaAI Trainer-medium模式與Matlab- batch 32模式的最小批量設置為32；SmaAI Trainer-large模式與Matlab- batch 2模式的最小批量設置為2。本文主要探討影像樣本數量與不同數據集以及影像尺寸是否影響影像辨識瑕疵之成功率。由研究結果歸納出若數據集之兩分類樣本數

量相同，可得到較高的準確度。透過SmaAI Trainer之熱影像圖得知，本研究使用影像尺寸400×400 pixels，有較好的學習效果。根據實驗結果，將數據集OK類別定義為:全部具有真圓度問題之影像時，以SmaAI Trainer-medium模式在400×400 pixels有最佳準確度98.58 %，且模型驗證準確度為 97.90 %；使用Matlab- batch 32模式在400×400 pixels有最佳準確度100 %，且模型驗證準確度為100 %。因此，本研究成功提高金屬加工產品瑕疵檢測之影像辨識成功率並可區分小毛刺與真圓度差異。