i7 cpu規格的問題，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

結合深度學習與機器視覺於口罩缺陷檢測之研究

為了解決i7 cpu規格的問題，作者梁家瑋 這樣論述：

近年來受到疫情的影響口罩需求量大增，一般醫療及外科用平面口罩成為此波疫情中最主要的使用產品，為了滿足大量的需求及降低成本，現今的口罩產線多以自動化生產，口罩生產製程常見之瑕疵包含耳帶焊接不良、耳帶線長錯誤、破洞、汙點、摺數錯誤等缺陷，現今瑕疵檢測大多仰賴人工目視檢出，而人工檢測會因不同檢測員或是視覺疲勞，造成誤判或人為誤差，因此設計一套自動化口罩瑕疵檢測技術是一個重要的課題。本論文針對口罩生產製程之耳帶焊接品質、耳帶線長及口罩摺數此三種規格進行了自動化瑕疵檢測技術之研究。為了瞭解各種深度學習技術應用於口罩檢測製程之適合性，本文採取了包含Faster R-CNN-VGG、Faster R-CN

N-Resnet、SSD、YOLOv3及YOLOv5等五種經典的卷積神經網路(convolutional neural network, CNN)模型，使用CPU：Intel Core i7-9700、GPU：NAVIDIA GeForce RTX2060以及RAM：16GB的電腦進行口罩缺陷之訓練、測試及驗證。透過CNN模型之缺陷預測結合機器視覺技術，開發出口罩生產過程線上瑕疵檢測之智能與自動化解決方案。研究結果顯示，Faster R-CNN-VGG、Faster R-CNN-Resnet、SSD及YOLOv5皆能準確的辨識及定位合格與不合格的口罩耳帶，平均精確度達99.00%以上；其中SS

D及YOLOv5之辨識可在22 ms內完成，而Faster R-CNN-VGG及Faster R-CNN-Resnet之檢測則需要~110 ms完成。口罩摺痕檢測研究顯示只有SSD及YOLOv5演算法平均精確度能達99.00%以上，Faster R-CNN-VGG及Faster R-CNN-Resnet平均精確度僅達96.34%與98.98%。YOLOv3用於耳帶焊接及口罩摺痕兩種瑕疵之檢測平均精確度未能達70%，其中不合格口罩耳帶檢測平均精確度只有28%，極為不理想。經過綜合分析，本研究最後以輸入資料大小為640×640的YOLOv5結合機器視覺技術進行耳帶長度檢測，使用YOLOv5辨識及定

位合格耳帶，接著將YOLOv5提取出的合格耳帶進行灰階、二值化、輪廓提取及骨架化等電腦視覺演算法，結果顯示能精確的測量出耳帶長度，檢測誤差介於±2mm(業界規範的誤差值為±5mm)。