冷氣位置 Mobile01的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

基於無人機與深度學習的建築外牆磁磚劣化分類與剝落面積計算模型之建構

為了解決冷氣位置 Mobile01的問題，作者孔仁奕 這樣論述：

台灣目前進入一個建築物老化的時代，颱風與極端氣候等自然因素影響及工程施工品質不良、使用管理維護不當等人為因素的影響，導致建築物外牆磁磚脫落砸傷路人，而經常造成危害公共安全之事件，為避免此類憾事發生，因此建築外牆自動化檢測就顯得十分重要的，這不僅是維護建築物本體的安全，亦是維護住戶與行人之安全。本研究使用無人機與深度學習進行外牆磁磚劣化自動化檢測分類模型的建構，共選取了5,680張圖像作為模型訓練之數據集，採用經典的卷積網路VGG-16來進行模型訓練，訓練後分類模型測試結果，平均精確率為 88％，平均召回率為86%。外牆磁磚劣化自動化檢測分類後，針對剝落的外牆磚要進行維護修繕，其整體評估是至關

重要的，故再利用無人機拍攝外牆磁磚剝落之照片，經篩選後，選用500張照片作為訓練集之用，再採用VIA-2.0.8軟體，對500張外牆磁磚剝落照片，剝落之位置進行人工標註，共標註127,177個標註框。採用卷積神經網路Faster R-CNN作為研究模型，為了使訓練準度提高，將每張原始圖片切分12張，共6,000 張作為訓練集之用，經過456小時及200次的訓練後，完成收斂。運用卷積神經網路建立計算剝落面積模型，經過資料收集、彙整、標註、模型訓練、驗證及測試，以500個錨點（預選框）為最符合效益與效果，並最終導出預測磁磚剝落面積公式為 h × λ × w × λ 。運用無人機進行外牆檢測，在整

體費用上相對便宜，並且具有更高的移動性、節省檢查時間、操作更加容易、準確度亦不會因個人經驗或技能而有所差異，更能消弭檢查人員高空作業之危險因子，以達到檢查快速與修繕費用預估之自動化檢測目標。

應用機器學習辨識可供抓枝機器人 抓握之凸起物場景

為了解決冷氣位置 Mobile01的問題，作者楊辰修 這樣論述：

攀爬型機器人為取代人類執行高危險性的工作，像是牆面或是窗戶的清潔、外牆結構檢測、管路維修等，自主性也成為影響機器人價值的關鍵因素。自主性攀爬機器人須具備感測系統來檢測環境，亦即視覺感測器。雖然影像處理技術在電腦視覺與影像辨識等應用上獲得非常大的進步與成果，但由於住宅外牆凸出物與環境上的複雜度，以一般影像處理方法找出照片中的物體及其位置仍有其困難度。本研究針對全自主性攀爬機器人利用神經網路開發一套視覺系統，對於冷氣、水泥屋簷與招牌等三種常出現於住宅外牆且可供攀爬機器人抓握之凸出物進行辨識與定位。由於攀爬型機器人由於無法背負過重的電腦進行神經網路運算，故我們導入了 IOT 與雲端運算的概念，將照

片經由無線傳輸由機器人傳送至伺服器進行神經網路的運算。本研究使用快速物件檢測神經網路(Fast Region Convolutional Neural Network, Fast R-CNN)架構實現攀爬場景辨識系統，並結合立體相機裝置估算物體與機器人間的實際距離。最後透過實際在室外住宅外牆實驗，測試在不同光源下的辨識結果；並且模擬攀爬機器人在不同視角下的測試結果，證實了本視覺系統的可行性。未來此系統將可結合於凸桿攀爬型機器人上，以作為路徑規劃實現的基礎。