威剛ssd檢測的問題，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

影像品質對人工智慧辨識之影響-以鋼結構組配施工安全為例

為了解決威剛ssd檢測的問題，作者周孟蓉 這樣論述：

影像攝錄與人工智慧(Artificial Intelligence, AI)辨識已廣泛應用於日常生活。部分研究已將AI應用於工地個人防護具的偵測與辨識，獲得不錯的研究成果。然而，對於工地安全設施與人員防護具的安全監控研究較少，主要原因在於工地環境變化大，設備裝備多，攝錄困難或攝影品質不佳，影響了人工智慧辨識的正確度與實用性。影像品質如何影響AI辨識成果是值得進一步研究的課題。本研究針對鋼結構組配的工地，進行攝影與AI辨識，目標包含有人員佩戴安全帽、背負式安全帶掛鉤、水平安全母索支柱，與安全網等安全裝備與設施。影像品質考慮的變數有攝影畫質解析度(72 dpi、96 dpi、350 dpi)、影

像放大倍率(1.0倍、1.9倍、2.5倍與3.4倍)、環境光線照度值(1-10 Lux、11-30 Lux、31-100 Lux、101-200 Lux及201-400 Lux)。當影像品質不佳時，利用限制直方圖等化法進行影像品質之增強，測試其是否可提升AI辨識準確率。AI演算法採卷積神經網路(Convolutional Neural Network, CNN)，以You Only Look Once第三代(YOLO V3)模型進行訓練與測試，得出準確率(Precision)、召回率(Recall)、F1-分數(F-measure)與平均IOU(Intersection over Union)

等模型評估值，以評估影像品質對人工智慧辨識成果之影響，提升鋼結構組配的施工安全。試驗結果顯示，水平安全母索支柱影像解析度變化於72 dpi~350 dpi時，準確率變化於88%~96%；照度值變化於10 Lux~400 Lux時，準確率為51%~98%；於影像無放大(1.0倍)情況下，即有92%之偵測準確率。不同影像品質之人員安全帽辨識中，解析度變化於72 dpi~350 dpi時，辨識準確率變化於83%~93%；當照度值變化於10 Lux~400 Lux時，準確率變化於59%~99%；四種影像倍率中皆可成功偵測安全帽，準確率變化於57%~99%。安全網在三種解析度下，其準確率變化於91%~9

5%。背負式安全掛鉤偵測目標物較小，於各個種影品質變化時，其準確率變化於0%~57%之間，顯示其偵測準確率不佳。安全帽於不同環境照度值之準確率介於59%~99%，經由影像對比增強後，其準確率上升至82%~98%；但因目標物太小，使用直方圖強化法對辨識準確率之提升幫助有限。辨識結果顯示，於安全網準確率變化於87%~92%之間，其對應之召回率為77%~92%；若將召回率下降至62%~76%，則準確率可提升至91%~95%之間，調低召回率可使準確率提升，但某些條件下影響有限。本研究已可成功辨識鋼結構組配之安全裝備與設施，除掛鉤標的物較小外，其他設施均可獲得高的辨識準確率。但影像品質對AI辨識影響頗大

，若要AI辨識的高準確率，於原始環境之攝錄影品質必須有所要求。

電動中型巴士振動與噪音改善

為了解決威剛ssd檢測的問題，作者黃國錠 這樣論述：

車輛之振動噪音是影響舒適性的重要指標，電動車除去了引擎點火燃燒之激振源；相形之下，在一般道路駕駛時，變速箱換檔所引起的瞬間不平滑振動就變得更顯著。因此本論文主要針對電動中型巴士在平滑路面行駛時，探討變速箱換檔時的振動噪音現象。 研究中，應用電腦輔助工程設計軟體SolidWorks來建立電動中型巴士三維設計圖，分析模型是使用前處理器HyperMesh建置有限元素模型。所建置的分析模型與實車量測所得之頻率響應結果相比，以驗證模型之正確性。對全車之振動分析是使用LS-Dyna套裝軟體內的穩態動力響應(Steady State Dynamics Response, SSD)，噪音分析則是應用邊

界元素法(Boundary Element Method, BEM)。依分析所得之振動噪音路徑，改善車艙內噪音以及駕駛和乘客乘坐之舒適性。 研究結果顯示，改變馬達腳橡膠形狀以及車體結構的厚度對振動噪音改善有很大的影響，改善後，駕駛座以及乘客座振動噪音最大可有效減少68%。