opencv教學的問題，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PLC與人機介面建構水耕種植之水質監控

為了解決opencv教學的問題，作者陳柏愷 這樣論述：

本論文主旨在設計一個多功能自動水耕水質控制系統，可避免需要人力隨時手動量測數值，去做手動調整水質各項參數，只需要事先準備好調整溶液。本論文系統是以LabVIEW與PLC做統整，架設一套簡易的人機介面，並具備登錄介面、PLC裝置監控表、自動拍照紀錄植物生長歷程及觀看現場影像之功能，減少生產上人力的需求，並提升生產品質增加市場上競爭力。本論文的水質酸鹼度PH值、水溫及水的導電度EC值是一般水耕栽培重要控管指標之一。於人機介面中建構結合此多項指標之量測介面，可即時觀測，本論文另外統結合了E-mail的功能，當指標數值異常時便即時寄發警告郵件，讓業者能即時察覺並至現場排除問題。

改良式YOLOv3深度學習網路應用於船舶影像分類

為了解決opencv教學的問題，作者洪銘鴻 這樣論述：

台灣為海島國家，對於船舶的有效監控與管理實為發展智慧海運刻不容緩的要務。近年來隨著深度學習網路的蓬勃發展，許多應用深度學習於目標物辨識也獲得很好的成果。考量船舶偵測的即時性與準確性，研究將應用深度學習方法提升船舶影像分類的效能。對於深度學習而言，需要有足夠數量的資料集才能使分類網路有效的運作。考量船舶監控需日夜進行，然而目前並沒有合適的船舶數據集能提供本研究使用。因此本研究首先建立台灣船舶數據集，此數據集中除了常見的可見光影像外，也加入紅外線影像，以提升於夜晚極低亮度下船舶分類的效能。本研究的船舶分類網路將使用以YOLOv3為基礎的深度學習網路架構進行訓練與分類。YOLO網路的特點在於可即時

進行目標偵測，極為適合船舶影像分類應用。YOLOv3為基於前兩代YOLO網路改良而成，其準確度及對小目標偵測的效能皆優於前兩個版本。不過考量到港口的管理有即時性的需求，準確率高但分類速度不夠快也會造成其應用的限制。因此本研究針對此項問題進行網路架構及參數的調整，提出改良式YOLOv3，此網路結合YOLOv2的特徵萃取Darknet-19和YOLOv3的金字塔型網路，並進行輸入影像尺寸選擇及偵測尺度及卷積通道參數的調整，提升船舶分類的效能。實驗結果顯示，與原來YOLOv3網路相比， 改良式YOLOv3的分類速度提升將近80%且運算複雜度約減少80%，但精準度僅下降不到1%。藉由建置的船舶數據集，

論文所提之改良YOLOv3可以提升船舶影像分類系統的效能，並且有助於船舶管理與監控之實現。