寶 工 工具組的問題，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

我的無印良品新生活：連無印人都先留著自用的182款MUJI居家好物

為了解決寶 工 工具組的問題，作者水谷妙子 這樣論述：

　　第一本由無印人親寫的MUJI生活風格書！ 　　◎老為家事分工吵架？在家具上貼附剪裁線的紙膠帶，保證對方樂意順手做。 　　◎浴室備一支長柄刷，不用彎腰也能輕鬆洗淨浴缸髒汙和排水孔。 　　◎就算泛黃也不顯舊的黑色矽膠料理匙，拌炒、盛裝、清鍋底，一匙能三用。 　　◎東西多到我眼盲？無印最強壓克力透明盒，取物快狠準。 　　◎玄關放不鏽鋼防橫搖雙鉤掛鉤，便當盒、保溫杯袋一拿就走，不再忘記帶出門。 　　   　　作者水谷妙子曾擔任無印良品商品開發13年，設計超過500件生活雜貨。 　　因經常做消費者需求調查，累積了豐富的居家收納技巧。 　　她說，生活的主角是人，物品只是背景， 　　所以她的設計

原則就是：看得見、好拿、好放，就能打造出一個不用找東西的家。 　　本書從料理、打掃、布置，到雜物整理， 　　教你如何利用無印良品經典單品，解決各種收納煩惱。 　　特別收錄！無印員工經常自己先買回家用的182款MUJI居家好物。      　　◎惱人家事，就用無印便利小物解決 　　黑色矽膠料理匙，拌炒、盛裝、清鍋底，一匙能三用，節省收納空間， 　　專為手比較小的女生設計的不鏽鋼攪拌器，煮飯更輕鬆。 　　一開冰箱，就知道東西放哪裡。無印有最強小物組合：PP整理盒 + 掛鉤。 　　碗盤太多怎麼收納？把常用的當一軍，和偶爾才用的當二軍，分開管理。 　　調味料罐東倒西歪？就用鋼製書架隔板；容易搞丟的

番茄醬就用掛鉤。 　　好放、好拿的杯具怎麼收納？本書用實物圖說明。 　　◎享受吧，一個人也很美好的無印生活 　　一個人午餐也能有儀式感，MUJI調理包有中式、韓式、越式讓你挑。 　　網美必備單品，無印彩妝盤，可以放入3到4種眼彩，輕鬆嘗試新造型。 　　年年都得到消費者最愛的無印泡澡劑與沐浴錠，享受睡前最棒的獨處時光。 　　◎半透明收納術，打造不用找東西的家     　　衣櫃又滿出來？永遠找不到要穿的那一件？清爽衣櫃必備PP 收納盒 + 衣裝盒。 　　擺手機的透明壓克力支架可用來裝小東西，收納文具的格子可以放較長的物品； 　　所有東西即使大小不一，也不會散亂重疊，不用翻就能找到。 　　

還有保溫杯迷你清洗專用刷、保養鞋子工具組、壞掉也不傷荷包的透明補充瓶 　　ㄈ字型架子、不織布分隔袋、有4種妙用的透明夾鏈袋、掛鉤…… 　　連無印人都先留著自用的182款居家好物大公開。 　　第一本由無印人親寫的MUJI生活風格書！ 　　連無印人都先留著自用的182款居家好物大公開。 名人推薦 　　作家／張維中 　　日本設計觀察家／吳東龍  

寶 工 工具組進入發燒排行的影片

藝術麵包造型設計-以馬來西亞城市文化為主題

為了解決寶 工 工具組的問題，作者陳國良 這樣論述：

麵包是世界主要的食物之一，早期有許多麵包的歷史及操作技術也流傳世界各地。近幾年來麵包技術發展迅速，一個好的麵包要好吃必須有奇特的風味和口感，少不了外觀形狀及自然烤焙的焦黃色。而藝術麵包也是麵包類之一，藝術麵包具有獨特的造型及可以表現出主題與美感的一門專業工業技術。本次創作研究主題是來自馬來西亞各地的地標代表物。應用了藝術麵包的技術來完成各地標的代表物，創造出有特色的藝術麵包作品。首先以文獻研究方法來整理資料，摘取出馬來西亞地標代表造型的意涵，以及藝術麵包精神、技術、各種藝術麵包的主要元素並保留藝術麵包原有的特色風格創作。本創作共製作了16件藝術麵包作品，應用製作麵包技術和藝術創作及馬來西亞地

標代表物主題概念之整合，以抽象及仿真手法來結合與表現。期能透過本系列藝術麵包主題之創作，提供大眾以觀賞麵包的方式來認識馬來西亞更多不同的城市形象特色。

野外求生101：叢林、荒野生存必備技藝

為了解決寶 工 工具組的問題，作者戴夫．坎特伯里 這樣論述：

　　～體驗原始環境的終極參考資源～ 　　★美國亞馬遜4.7星至高好評，18000多條評論，連年穩居野外求生技巧榜單NO.1！   　　《野外求生101》由美國最頂尖的求生教練戴夫‧坎特伯里所著， 　　他是美國電視節目《雙重生存》中最初的倖存者， 　　以最簡短、精確的語句， 　　告訴你如何妥善運用精簡的工具與自然提供的一資切資源， 　　做好一趟原始之旅的萬全準備。 　　這本手冊於2014年暢銷至今，穩居美國亞馬遜野外求生技巧榜單NO.1， 　　各大報章雜誌街對其簡約、易讀及高度可用性大為讚譽， 　　書中以5C原則為基礎，分別是： 　　①刀具：製造所需物品、處理食材。 　　②遮蔽用具：打造避

免風吹雨淋的微氣候。 　　③點火裝置：協助生火，以便達到保存和烹煮食物、還有調製藥物和取暖等目的。 　　④容器：長途攜水或保護已取得的食物資源。 　　⑤繩具：結繫和捆綁用。 　　根據5C原則，提供最重要的生存技能， 　　讓你真正體驗荒野的美麗與刺激。 　　書中也會針對幾個主題做詳細的資訊彙整： 　　◆挑選裝備 　　◆製作必備工具 　　◆運用野外資源 　　◆採集、烹煮食物 　　◆氣候、地形應對   　　本書憑著經驗、研究以及無數在不同的環境和生態系渡過的日日夜夜所寫成， 　　有了坎特伯里的指引，你不只能為任何氣候和狀況做好準備， 　　也能學會如何運用野外求生的藝術，以從未想過的方式重新走入自然

。 本書特色 　　◎野外求生必備技藝： 　　結合現代與原始工具，實踐野外求生技能，包括生火、判位、誘捕、建立遮蔽、追蹤獵物。 　　◎精簡裝備＋工具彙整： 　　針對挑選對的裝備、製作必備的工具和資源給出清楚指示，告知節省天然和人為資源的最佳方法。 　　◎各種氣候、地形應對： 　　運用道具打造出免受風吹雨淋的微氣候，辨識可食植物和藥用植物，以及保存食物的妙招。 名家推薦 　　◎「我們喜歡這個！作者以直截了當寫作模式，製作出這本易於遵循且可輕鬆應用於各種場景的生存指南。」——紐約每日新聞 　　◎「這本書提供了很多細節……從打結、烹飪再到誘捕……如果你想學習原始技能，會需要這個信息寶庫。」—

—匹茲堡論壇報評論 　　◎「準備好迎接任何大自然的挑戰吧！這是一種用盡可能精省的現代裝備在樹林中生存的藝術。包括生火、製造工具和裝備、覓食以及誘捕和加工。」——華盛頓小徑雜誌

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決寶 工 工具組的問題，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