各站的問題，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

怪奇捷運物語3：麒麟破繭(完結篇)

為了解決各站的問題，作者芙蘿 這樣論述：

「午夜說書人」芙蘿生涯代表作！  怪奇捷運物語最終大結局！ *** 人來人往的熟悉捷運沿線，從未被注意到的陰暗角落，不為人知的怪奇事物蠢蠢欲動中......  每當夜幕低垂，華燈初上，喧囂擁擠的捷運裡，誰能肯定圍繞在身邊的都是人？ 捷運沿線各站的民間傳說、妖魔鬼怪紛紛出籠！ *** 《仙靈傳奇》暢銷作者陳郁如： 「結合台北捷運的親近感，古代狐仙的神祕感，還有各種奇妙的寶物，讓整個故事充滿豐富的想像力。」 *** 星子（知名暢銷作家）、陳郁如（知名暢銷作家）、螺螄拜恩（人氣作家）熱情推薦！ *** 北投地熱谷大戰後，獲「蛇郎君」指點的許樂天，助小狐妖絨絨取得了戲月玦，令她轉為人身妖魂， 只差

最後一個法寶轉蓮環，即可徹底轉生。 偏偏適逢蟠桃大會期間，大台北都會呈現無神之地狀態，眾妖傾城、群魔亂舞， 板南線東區爆發大規模致命感染，台北車站亦有惡鬼隨機殺人事件， 苦尋不到轉蓮環的絨絨，在遍地橫屍與古怪血繭中，竟發現了毀壞主人麗麗肉身的真兇線索。 而許樂天意外獲知，善導寺裡供奉的玄奘舍利子，亦可以讓絨絨「轉魂籍」，完成她的畢生心願， 前提卻是他必須犧牲自己、與絨絨天人永隔？！ 許樂天是否會孤注一擲，幫助絨絨完成最後轉生？ 絨絨是否能成功歷劫，讓自己得償所願？ 怪奇捷運物語精采玄妙完結篇！ *** 封面插畫設計理念： 知名插畫家 Blaze Wu將台北捷運的三條線以棕、紅、藍三

色定調，整體構圖添加捷運車箱元素， 輔以東方鬼怪本身特性，兼容書名角色特性，發揮天馬行空的創作奇想， 將魑魅魍魎、妖魔鬼怪繪製得詭異萬分，華麗靈動，令人驚豔！

各站進入發燒排行的影片

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決各站的問題，作者鄭丞凱 這樣論述：

目錄摘要 IAbstract II目錄 IV圖目錄 VII表目錄 XII第一章 緒論 I1.1 棘輪扳手與零件介紹 21.2 棘輪扳手組裝流程 51.3 棘輪扳手組裝異常類型與瑕疵種類 71.4 棘輪扳手組裝之現行檢驗方式 181.5 研究動機與目的 191.6 論文架構 21第二章 文獻探討 222.1 自動化視覺檢測 222.2 組裝異常檢測 232.3 物件特徵比對 252.4 類神經網路模型 262.4.1 卷積神經網路(Convolutional Neural Network, CNN) 262.4.2 YOLOV4 (You O

nly Look Once)網路模型 272.4.3 基於區域的卷積神經網路(Region With CNN, R-CNN) 282.4.4 快速的基於區域的卷積神經網路(Fast R-CNN) 292.4.5 更快速的基於區域的卷積神經網路(Faster R-CNN) 302.4.6 基於遮罩的區域卷積神經網路(Mask R-CNN) 32第三章 研究方法相關原理 363.1 工件影像濾波 363.2 常見之物件偵測分類器 373.2.1 CNN網路模型 383.2.2 YOLO系列模型 393.2.3 R-CNN系列模型 40第四章 研究流程與技術應用 514.

1 工件影像拍攝 534.2 影像之ROI區域擷取 544.3 ROI影像之濾波處理 554.4 工件組裝異常之瑕疵種類特徵擷取 574.5 工件組裝異常類型之瑕疵種類的分類 604.5.1 物件候選區域選擇 614.5.2 CNN網路模式之特徵提取 624.5.3支援向量機的瑕疵分類 634.5.4 可疑瑕疵區域的邊界框回歸 644.5.5 瑕疵種類分類結果輸出 664.6 工件組裝異常類型之瑕疵種類的分類績效混淆矩陣 67第五章 實驗結果與分析 695.1 樣本影像說明 695.2 組裝異常之瑕疵檢測系統之發展 705.3 組裝異常類型之瑕疵種類分類績效指標

715.4 組裝異常之瑕疵檢測系統之R-CNN網路模型之參數設定 725.4.1 網路模型之學習率參數設定 745.4.2 網路模型之訓練批量參數設定 765.4.3 網路模型之優化器類型選擇 785.4.4 網路模型之訓練次數參數設定 805.4.5 網路模型避免過度擬合之判斷設定 825.5 組裝異常檢測之分類績效評估與比較 845.5.1 R-CNN系列模型比較 845.5.2 R-CNN系列模式與YOLOV4之檢測績效比較 895.6 敏感度分析 955.6.1 ROI區域大小對檢測效益之影響 965.6.2 影像亮度的變化對檢測績效之影響 975.6.3

工件擺放方式對檢測績效之影響 995.6.4 工件表面油漬量對檢驗績效之影響 1035.6.5 工件輸送帶速度對檢測績效之影響 1085.6.6 棘輪扳手單一分類器檢驗模型選擇 1135.6.7 同態濾波對檢測效益之影響 115第六章 結論與後續研究方向 1186.1 結論 1186.2 未來研究方向 119參考文獻 122表目錄表1 市售主要棘輪扳手之英制與公制規格 3表 2 1/2”36T棘輪扳手各組裝站之零件表 4表3 棘輪扳手組裝之各工作站的工作內容說明表 5表4 棘輪扳手組裝時可能產生的組裝異常類型說明彙整表 8表5 棘輪扳手組裝過程

可能的組裝異常類型與瑕疵種類彙整表 9表6 缺件組裝異常之瑕疵種類影像彙整表 14表7 錯置組裝異常之瑕疵種類影像彙整表 15表8 異物組裝異常之瑕疵種類影像彙整表 16表9 餘件組裝異常之瑕疵種類影像彙整表 17表10 取像限制說明表 21表11 本研究與物件偵測相關文獻比較表 35表12 本研究使用之網路模型比較表 48表13 本研究目前使用之遮罩與影像面積之比較表(單位:pixel) 55表14 灰階影像與濾波後影像之平均值及標準差比較表 57表15 以影像張數為基礎之棘輪扳手分類混淆矩陣示意表 68表16 棘輪扳手檢驗結果之混淆矩陣示意表

68表17 本研究組裝第一站之檢測樣本影像數量 73表18 本研究組裝第二站之檢測樣本影像數量 74表19 本研究組裝第三站之檢測樣本影像數量 74表20 採用不同學習率之檢測效益結果比較 75表21 採用不同訓練批量之檢測效益結果比較 77表22 本研究探討之三種優化演算法優缺點比較 79表23 採用不同網路模型優化器之檢測效益結果比較 79表24 採用不同網路模型訓練次數之檢測效益結果比較 81表25 R-CNN網路模型之預設值與較佳參數設定之比較表 84表26 第一站大樣本異常類型之瑕疵種類檢驗模型效益彙整表 86表27 第二站大樣本異常類型之瑕

疵種類檢驗模型效益彙整表 87表28 第三站大樣本異常類型之瑕疵種類檢驗模型效益彙整表 88表29 本研究組裝工作站之較佳網路模型效益彙整表 89表30 第一站較佳模型與YOLOV4之檢測效益比較表 90表31 第二站較佳模型與YOLOV4之檢測效益比較表 91表32 第三站較佳模型與YOLOV4之檢測效益比較表 92表33 第一站各網路模型之檢測時間彙整表(單位:秒) 93表34 第二站各網路模型之檢測時間彙整表(單位:秒) 93表35 第三站各網路模型之檢測時間彙整表(單位:秒) 93表36 採用不同遮罩大小之檢測效益結果比較 96表37 採用拍攝光

線強度之檢測效益結果比較 98表38 工件偏移角度之影像數量彙整表 101表39 棘輪扳手不同擺放角度之檢測效益比較表 101表40 ROI區域與油漬量之影像面積比較表(單位:pixel) 104表41 塗抹不同程度潤滑油之檢測效益比較表 106表42 靜態與動態拍攝之差異比較表 109表43 不同輸送帶速度之影像檢測效率 111表44 棘輪扳手動態視覺檢測系統之檢測效益比較表 112表45 棘輪扳手各站模型之正確分類率比較表 114表46 灰階影像與濾波後影像之影像像素比較表 116表47 第一站各模型有無經同態濾波處理之檢測效益彙整表 117圖目錄

圖1 市售棘輪扳手常見之產品銷售方式 I圖2 棘輪扳手的使用說明 2圖3 完成組裝之1/2” 36T棘輪扳手 3圖4 1/2”扭力頭寬度規格標示 3圖5 1/2”36T棘輪扳手之內部結構 3圖6 36T扭力頭實體圖(圓圈標示處為該零件之齒輪) 4圖7 葫蘆柄各組裝站之零件彙整 6圖8 棘輪扳手之組裝異常類型與瑕疵種類關係彙整圖 10圖9 第一站經組裝後各種可能的缺件組裝異常結果 11圖10 第二站經組裝後各種可能的缺件組裝異常結果 12圖11 第三站經組裝後各種可能的缺件組裝異常結果 13圖12 棘輪扳手檢驗實體圖 19圖13 同態濾波器的運算

流程 37圖14 CNN網路架構示意圖 38圖15 卷積方法示意圖 39圖16 池化運算示意圖 39圖17 YOLOV4網路架構示意圖 40圖18 R-CNN網路架構示意圖 41圖19 Fast R-CNN網路架構示意圖 43圖20 ROI pooling運算示意圖 44圖21 Faster R-CNN網路架構示意圖 45圖22 RPN運算示意圖 46圖23 Mask R-CNN網路架構示意 47圖24 研究方法流程圖 52圖25 本研究現階段使用之數量與零件 53圖26 本研究之硬體設備架設示意圖 53圖27 本研究前處理之影像平均值與

標準差 54圖28 本研究使用之五種遮罩大小 55圖29 使用同態濾波濾除拍攝時造成反光之像素變化 56圖30 灰階影像與濾波後影像之平均值及標準差曲線圖 57圖31 光源控制器數值下灰階影像與濾波後影像標準差比較表 57圖32 使用Matlab軟體內建之Image Labeler工具箱進行人工標...58圖33 完成標註之邊界框資訊 58圖34 棘輪扳手組裝製程中第一組裝站使用R-CNN網路模式之圖像標註流程圖 59圖35 第一站缺件檢驗之R-CNN網路架構的訓練程序 60圖36 R-CNN模型檢驗流程圖 61圖37 候選區域選擇示意圖 62圖38

特徵提取流程圖 63圖39 邊界框回歸原理示意圖 65圖40 邊界框回歸運算可能發生之失效結果 66圖41 瑕疵種類分類結果示意圖 67圖42 運用R-CNN網路模型之棘輪扳手檢驗辨識系統測試程序 67圖43 本研究之實驗架構圖 69圖44 本研究影像拍攝之設備圖 70圖45 本研究所開發之使用者介面 71圖46 不同學習率之檢出績效評估ROC曲線圖 75圖47 不同學習率之正確分類率折線圖 76圖48 不同訓練批量之檢出績效評估ROC曲線圖 77圖49 不同訓練批量之正確分類率折線圖 77圖50 不同網路模型優化器之檢出績效評估ROC曲線圖

80圖51 不同網路模型優化器之正確分類率折線圖 80圖52 不同訓練次數之檢出績效評估ROC曲線圖 82圖53 不同訓練次數之正確分類率折線圖 82圖54 本研究使用R-CNN網路模型之訓練資料損失曲線圖 83圖55 過擬合現象示意圖 83圖56 第一站R-CNN系列模型之ROC曲線圖 86圖57 第一站R-CNN系列模型之績效指標曲線圖 86圖58 第二站R-CNN系列模型之ROC曲線圖 87圖59 第二站R-CNN系列模型之績效指標曲線圖 87圖60 第三站R-CNN系列模型之ROC曲線圖 88圖61 第三站R-CNN系列模型之績效指標曲線圖

88圖62 第一站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 90圖63 第一站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 90圖64 第二站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 91圖65 第二站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 91圖66 第三站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 92圖67 第三站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 92圖68 R-CNN系列模型與YOLOV4之總訓練時間曲線圖 94圖69 R-CNN系列模型與YOLOV4之總測試時間曲線圖 94圖70

R-CNN系列模型與YOLOV4之單位影像測試時間曲線圖 94圖71 各站R-CNN系列較佳模型與YOLOV4之正確分辨率直方圖 95圖72 使用不同遮罩大小之棘輪扳手檢出績效評估ROC曲線 97圖73 使用不同遮罩大小之棘輪扳手正確分類率折線圖 97圖74 採用不同亮度拍攝棘輪扳手之檢出率與誤判率ROC曲線 98圖75 採用不同亮度拍攝棘輪扳手之正確分類率折線圖 98圖76 工件擺放方向示意圖 99圖77 原始影像之各角度擺放情況 100圖78 原始影像加入遮罩後各角度擺放情況 100圖79 棘輪扳手正向擺設角度之檢出績效評估ROC曲線 102圖80

棘輪扳手負向擺設角度之檢出績效評估ROC曲線 102圖81 棘輪扳手擺設角度之正確分類率折線圖 103圖82 第一站塗抹不同程度潤滑油之比較圖 104圖83 第二站塗抹不同程度潤滑油之比較圖 104圖84 第一站塗抹不同程度之潤滑油後加上遮罩之比較圖 105圖85 第二站塗抹不同程度之潤滑油後加上遮罩之比較圖 105圖86 第一站塗抹不同程度潤滑油之檢出績效評估ROC曲線圖 106圖87 第一站塗抹不同程度潤滑油之正確分類率折線圖 107圖88 第二站塗抹不同程度潤滑油之檢出績效評估ROC曲線圖 107圖89 第二站塗抹不同程度潤滑油之正確分類率折線圖 1

07圖90 棘輪扳手動態視覺檢測系統運作示意圖 108圖91 棘輪扳手動態視覺檢測系統硬體架設實體圖 110圖92 動態視覺檢測系統中不同輸送帶速度所拍攝之原始影像 110圖93 動態視覺檢測系統中不同輸送帶速度所拍攝之前處理影像 111圖94 棘輪扳手動態視覺檢測系統之ROC曲線圖 112圖95 棘輪扳手動態視覺檢測系統之正確分類率曲線圖 113圖96 棘輪扳手各站模型之正確分類率直方圖 114圖97 棘輪扳手各站模型之檢測時間直方圖 115圖98 有無經同態濾波處理對各模型之正確分類率直方圖 117圖99 有無經同態濾波處理對各模型之績效指標折線圖 11

7

怪奇捷運物語2：神劍戲月

為了解決各站的問題，作者芙蘿 這樣論述：

人來人往的熟悉捷運沿線，從未被注意到的陰暗角落，不為人知的怪奇事物蠢蠢欲動中......  每當夜幕低垂，華燈初上，喧囂擁擠的捷運裡，誰能肯定圍繞在身邊的都是人？ 捷運沿線各站的民間傳說、妖魔鬼怪紛紛出籠！ 「午夜說書人」芙蘿生涯代表作！  《仙靈傳奇》暢銷作者陳郁如： 「結合台北捷運的親近感，古代狐仙的神祕感，還有各種奇妙的寶物，讓整個故事充滿豐富的想像力。」 *** 星子（知名暢銷作家）、陳郁如（知名暢銷作家）、螺螄拜恩（人氣作家）熱情推薦！ ***   美少女小狐妖「絨絨」獲寶物驚雷珠之助，成功長出肉身，轉成了「半人半狐」， 繼續大步朝成仙之路前行，尋找戲月玦與轉蓮環的藏寶所在。

許樂天接獲通知，得知法醫好友羅震坤於辦案途中消失在新北投捷運站， 失蹤前最後一通電話正是撥給自己，內容十分詭奇， 決定與絨絨前往北投一探究竟， 竟見到閉館後的溫泉博物館燈火通明，樂聲鼎沸， 門口站滿和服女鬼正嬌聲招呼客人！ 滿月之夜，妖氣高漲，百怪出籠； 幽幽月光下，遠處屋頂上兩個人偶般的陰影，揚起血紅的雙唇， 令人毛骨悚然的竊笑聲迴盪在黑夜裡…… *** 封面插畫設計理念： 知名插畫家 Blaze Wu將台北捷運的三條線以棕、紅、藍三色定調，整體構圖添加捷運車箱元素， 輔以東方鬼怪本身特性，兼容書名角色特性，發揮天馬行空的創作奇想， 將魑魅魍魎、妖魔鬼怪繪製得詭異萬分，華麗靈動，令人

驚豔！

建立都市計畫區違章建築物面積推估多元非線性迴歸模式之研究-以臺中市8個行政區為例

為了解決各站的問題，作者李勇慶 這樣論述：

都市化過程，導致人口集中以及違章建築物大量出現，早期這些違章建築物，確實提供依賴都市生活的貧窮弱勢人民部分居住空間，長久以來，這些違章建築物也成為都市發展的嚴重問題。世界各國對於違章建築物的研究相當多，也發現違章建築物的空間型態，從社區型土地非法增建演變成自有建築非法增建，而違章建築物所有權人，從貧窮的弱勢人民變成富有的房屋所有人，而臺灣在1980年開始拆除社區型土地非法增建，導致自有建築非法增建變多以及面積變大了。而自有建築非法增建案件，成為臺灣各都市管理者研擬未來都市發展政策時，首先要克服的問題。違章建築物(Illegal buildings)是都市化(Urbanization)過程常見

的現象，違章建築物面積的受到各種因子影響，也影響未來研擬都市發展政策，因此掌握影響違章建築物面積及其影響因素，對於違章建築管理以及都市發展實際重要課題。本研究以臺灣臺中市地區為例，透過相關文獻回顧，選擇導致出現違章建築物因子，但是各都市發展有不同的歷史、文化、社會、經濟等環境條件，交互影響程度也不同。本研究蒐集臺中市2001年至2018年共18年資料的違章建築物(illegal buildings)， 約8萬筆資料，並從相關文獻中找出影響違章建築物面積大小的13種因子。在研究過程中發現，因子對於違章建築面積不單單是線性影響，更出現平方、三次方非線性關係，因此，採有必要使用逐步迴歸方式，建立臺中

市全區，以及8個行政區各自迴歸模型。因此，本研究先利用2001年至2011年資料，透過逐步迴歸(Stepwise Regression)，建立推估臺中市違章建築物面積多元迴非線性歸模型(multiple regression Model)，接著利用2012年至2018年資料，使用 R square與RMSLE方法進行模型驗證，結果顯示本研究所建立違章建築物面積預測模型並通過實證，本研究成果可以提供都市管理者研擬都市發展政策重要工具。