自行車補胎片的問題，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

林村的故事：一個村書記眼中的新中國變遷

為了解決自行車補胎片的問題，作者黃樹民 這樣論述：

▌一道當代中國的縮影，一本小說般的民族誌。▌ ●當代中國研究的民族誌經典●   　　【自從出了這件悲慘的事情，我開始問生活的意義是什麼？如果像侯桐這樣年輕、善良、健康、精力充沛、受歡迎的人，都這麼不走運，那麼，難道我就比他強、就配有好命嗎？如果到頭來不過是生病受罪、一命嗚呼，我為什麼還要玩命工作？有兩個月的時間，我盡量不待在林村。一在村裡，我就想起侯桐去世前的幾個月受的那份罪。就在這個時候，我發現廈門市的卡拉OK飯店能讓人舒坦一下。你可以長時間待在這裡吃飯，還有高級音響，可以找到年輕時唱的革命老歌。唱這些革命歌曲，我的生活就有目標，就有希望。我現在是一個好歌手，你信不信？】

  　　一九八四年，原於美國愛荷華州立大學人類學系任教的黃樹民，來到廈門市郊的林村，準備展開田野調查，希望以該村為範例，具體而微地呈現一九四九年新中國成立後，面對由上而下頻繁颳起的政治運動旋風和經濟社會體制改革，平凡微末如林村的農村社會，如何度過並適應各種翻天覆地的變化。   　　一個溼熱的十一月天，作者與該村的黨支部書記，亦即村中的統治者葉文德初次見面，為了討論房租（但葉並不是房東），結果可說不歡而散：「一百塊美金！我真是氣極了，他竟然開出這種不合行情的價錢。我突然有股衝動想把桌上那盤蜜餞砸到他臉上。」哪知峰迴路轉，葉文德因父親墳墓被毀向作者訴苦，開啟兩人深談契機，最後作者更決

定以這位村書記的個人生命史為主線，織連《林村的故事》。   　　上述過程生動地描摹在本書開篇，使我們立刻意識到，這是一本不尋常的民族誌──作者將不會隱身在故事背後，僅以旁白式的畫外音，進行分析解釋；反之，作者讓自己也成為故事中的要角。   　　《林村的故事》以作者和葉文德一問一答的對話形式推展，徐徐揭示林村自一九四九年後所受的衝擊與回應；由於筆調流暢，情節曲折，令人似在讀小說，常被譽為不只是扎實的學術研究，也是優秀的文學作品，甫出版就成為經典。   　　第二版增補了作者於一九九六年回訪時的觀察。此時葉書記五十開外，村子在其領導下欣欣向榮，他本人事業也很成功，但心中茫然卻

日益增多，開始流連在村外的卡拉OK飯店，唱舊時革命歌曲尋求安慰。   　　本書為最新的第三版，作者將二○一五年重訪林村的感想補寫一章，以期讀者體會當前中國改變的速度和趨勢。已富裕到全村四百多戶至少有十戶財產超過人民幣一億的林村，其未來有無隱憂？卸下了書記職務的葉文德，現況又如何？進入二十一世紀的林村，仍是值得我們密切關注的當代中國縮影。  

自行車補胎片進入發燒排行的影片

加工單元聯網互動式3D展播平台開發

為了解決自行車補胎片的問題，作者黃冠緯 這樣論述：

2020年新冠肺炎疫情大爆發，社交距離的實施，世界各大專業展覽紛紛延期開展、甚至大量取消，或是改以數位化、線上化的方式進行展覽。近年來的工具機線上展覽通常使用VR360環景的方式來進行展覽，可以在畫面上點選想要觀看的產品，在介紹產品時大部分是透過影片、產品型錄列出規格的方式來做介紹，有些還會透過360環物的技術來展示。對於工具機來說，透過影片來觀看的話無法讓客戶自主選擇觀看的視角，透過產品型錄列出規格的方式介紹則是無法讓客戶看到實際機台運轉的模樣，且這兩種介紹方式都無法與機台進行互動。本研究開發出一套加工單元聯網互動式3D展播平台系統，能夠與虛擬加工單元進行互動，使用者可以用各種角度觀看，且

可以透過連線的方式進行多人連線。本系統可以讓廠商的銷售人員對客戶進行連線介紹，填補線上展缺少人跟人之間互動的不足之處；幫助廠商在受疫情影響的期間，或是有其他原因無法面對面介紹時，也能進行人跟人互動式的機台介紹。本系統可以進行跨平台的連線，不限定於單一作業系統，系統中包含了聯網互動式平台歷程紀錄功能系統，可以將銷售人員與客戶在進行介紹時的資訊記錄起來，在結束介紹後可以將其資訊進行回放重播，使廠商可以了解客戶對機台的哪些部分較有興趣，從而讓廠商知道那些部分是重點展覽的地方。本系統有實體加工單元歷程回播模組，可以讀取實體加工單元的歷程資訊，並使用3D模型呈現，此功能可以幫助廠商在機台發生警報時，即時

了解機台故障前的狀況，並使用聯網功能可以遠距與維修工程師進行即時的討論並找出對策，來幫助廠商縮短排除警告的時間。

漫畫科普冷知識王(1～4)套書(共四冊)

為了解決自行車補胎片的問題，作者鋤見 這樣論述：

　　網路書店年度百大暢銷書系列大集合， 　　長知識、在家解悶超值選擇！ 　　網紅大推、精彩滿點，一次珍藏、四倍趣味！ 　　【怪奇事物所所長】、【10秒鐘教室】、 　　【最近紅什麼】、【三個麻瓜】依序推薦 　　比知識有趣的冷知識原來這麼好玩， 　　用漫畫插圖一次解謎！ 　　從古至今，從人類、萬物到外太空， 　　世界之大，千奇百怪，無奇不有， 　　現在就給你滿滿的趣味冷知識！ 　　◆儲備知識補充包 ◆活化大腦助燃劑 ◆擺脫冷場句點王 　　第1冊：《漫畫科普冷知識王：世界其實很有事，生活才會那麼有意思！》 　　【FB粉絲頁超過35萬人追蹤「怪奇事物所所長」歡樂推薦】

　　知識是為了使用而存在， 　　但知識就一定是無聊的嗎? 　　人類、文化、生物、科技、地理和宇宙中… 　　總是有許多有意思的事。 　　你知道嗎？ 　　◎人是會發光的生物，所以請記住你會發光、人類和黑猩猩的基因相似度達96%，但也有50%與香蕉相同、我們不能把屁憋回去，相信我，那可能會憋出問題、我們永遠想不起夢境的開頭，每個夢好像都是從故事中間開始的、人的眼淚是一種特殊的藥，又能殺菌又能… 　　◎母貓往往喜歡用右爪，公貓通常是左撇子、長頸鹿寶寶會上“幼兒園”，負責管理幼兒園的園長還每天都輪班、海獺會和同伴手牽著手一起睡覺，說穿了是為了避免失散、無尾熊為什麼總是愛抱樹，每次到動物園看到都這樣

、松鼠因為記性不好，所以每年種下幾百棵樹、海豚不僅有自己的語言也有自己的名字… 　　◎覺得糖水不夠甜，加一點鹽就會更甜、雞蛋要倒立著放更能保鮮、原來鈔票也有直式的、打火機比火柴更早被發明出來、一張普通的紙最多只能對折8次、麵包可以吃，竟然還可以當橡皮擦來用… 　　◎鍵盤上打亂順序的英文字母可以讓你打字速度更快、點擊滑鼠1000萬次可以消耗1卡路里的熱量、黑盒子其實不是黑色的盒子、賽車竟然沒有配備安全氣囊… 　　◎阿拉伯數字其實是古印度人發明的、古埃及裡的聖甲蟲原來是這種蟲、曾在地球生活過的人類高達1155億人、古時候的壓歲錢不是錢、古代女子十四歲以後還不嫁人是要罰錢的… 　　◎南北極地

區幾乎不會發生地震、復活節島石像大都穿著褲子、為什麼颱風眼區域反而風力最小、其實非洲並不是一年四季都熱，冬天也會很冷… 　　◎恆星大都是成雙成對的、所有物質都能變成黑洞，包括人體、流星不一定是隕石，也有可能是糞便… 　　第2冊：《漫畫科普冷知識王2：世界其實很有趣，生活應該多一點療癒！》 　　【FB粉絲頁超過20萬人追蹤超人氣科普插畫家 | 【10秒鐘教室】 開心推薦】 　　日子太無聊， 　　但世界其實很有趣， 　　名人軼事、生活科學、神秘事件、自然奇觀… 　　真相背後鮮為人知的冷知識才是經典。 　　你知道嗎？ 　　◎牛頓有看到掉下來的蘋果，但沒被砸到頭、貝多芬也愛喝咖啡，但有一個原

則、愛迪生是自學團的，所以只上過三個月的小學、達爾文其實是個吃貨、林肯不只是總統還是摔角冠軍、服部半藏是日本史上最強的忍者家族、武田信玄則是日本第一個精通《孫子兵法》的名將、孔子力氣超大又精通武藝、屈原原來愛化妝、曹操根本不姓曹、張飛可是個美男子、李白又吃霸王餐、白居易為什麼一年只洗一次頭、乾隆皇帝根本是個寫詩狂人…… 　　◎在恐龍出現之前，奇蝦早稱霸了地球、蛇頸龍長長的脖子不如你想像中的靈活、最早的烏龜根本沒有強大的硬派龜殼、六角恐龍不但可以再生四肢，還能再生大腦和心臟、有位叫海參的但卻不會游泳、變色龍變色的目的才不是只為了偽裝、蝴蝶的鼻子其實長在觸角上、食蟻獸很長舌、北極熊的皮膚是黑色的

、馬常站著睡覺的…… 　　◎人類最早發明的水上交通工具原來是獨木舟、為什麼大輪船的螺旋槳反而那麼小、世界上第一輛地鐵的車廂是露天的啦、剎車和油門為什麼要一高一低、熱氣球的第一批乘客竟然是幾隻小動物、史上第一架飛機原來只飛了12秒、為什麼噴射機飛過天空會留下一道白煙、你知道買一件太空衣要多少錢嗎…… 　　◎辣味不是味覺而是痛覺、火苗向上卻是因為受重力影響、石英鐘停下來時，秒針總是停在9、失眠的時候千萬不要再數綿羊、夢遊的人也算是在做夢嗎、起雞皮疙瘩不是只有一種原因、鑽石可不是世界上最硬的物質、樹葉為什麼會變顏色、地球平均每天變重60噸、宇宙也有味道…… 　　◎聖誕老人原本是穿綠衣服、古希臘

的雕塑為什麼都要裸體、拍馬屁是怎麼來的、說大話為什麼叫吹牛、為什麼有錢的女婿叫金龜婿、在古代粽子是夏至的標配啦…… 　　◎巨石陣很可能是音箱、尼斯湖水怪到底有沒有真相、金字塔的顏色原本是白的、巨人畫了納斯卡線、傳說中的亞特蘭提斯文明有個神秘的能源系統、馬雅文明擁有超強的天文知識、秦始皇陵的兵馬俑原本是彩色的、民間流傳的海妖的確有原型、地球上有一個不會說話的神秘民族、如何在夢裡控制夢的走向…… 　　◎地球可能曾有過一個名叫忒伊亞的姐妹行星、森林中的樹會互相幫助、雲是有重量的，而且還不輕、地球的自轉速度正逐漸變慢、月球的外形更像一顆雞蛋、水星是一個大金屬球、如果沒有木星，可能就沒有地球和人類、

天王星和海王星上或許有數百萬克拉鑽石，你心動了嗎…… 　　第3冊：《漫畫科普冷知識王3：世界其實很精采，生活就要這麼嗨！》 　　【YouTube頻道近45萬人訂閱網紅團隊「最近紅什麼」 有梗推薦】 　　生活太平淡， 　　但世界其實很精采， 　　萬物奧妙、世界秘辛、科普趣談、奇聞妙事… 　　意想不到的冷知識才是話題。 　　你知道嗎？ 　　◎有些植物受傷時會尖叫、柑橘家族的關係真的有夠亂、 　　小貓的叫聲其實是為了吸引人注意，貓族之間的溝通卻是用別招、 　　沒想到免子會吃自己的便便、浣熊還會在吃東西前先用水清洗食物、 　　不是所有的螃蟹都橫著走路、土撥鼠看似呆萌，其實很危險、 　　最接近狼

的狗根本不是哈士奇、貓頭鷹為什麼不能轉動眼睛、 　　螞蟻為什麼不會迷路、企鵝的雙腳為什麼不會被凍傷…… 　　◎人類愛吃垃圾食品是本能、站著其實比走路更累、 　　裝三秒膠的容器為什麼不會被黏住、泡麵為什麼要泡三分鐘、 　　為什麼蚊香都是漩渦狀、可樂不僅僅能喝，還有其他妙用、 　　啤酒瓶蓋上一共有多少個鋸齒、黑猩猩的短暫記憶力可能比你好、 　　第一次登上太空的動物居然是一隻狗、看恐怖電影可以減肥、 　　北極那麼冷卻還是要用冰箱…… 　　◎沒電的乾電池竟然可以手動充電、物質其實不只有固態、液態與氣態、 　　顏色其實會讓人覺得有重量的、心情不好時應該要吃甜的、 　　地球的核心溫度簡直可媲美太陽表面

溫度、地球的大氣層到底有多厚、 　　有一艘名叫斥候星的“外星飛船…… 　　第4冊：《漫畫科普冷知識王4：世界其實很有哏，生活可以多點彈性！》 　　【頻道近4千萬點閱YouTuber「三個麻瓜」 肯定推薦】 　　日子過得太平凡， 　　但這世界每天都有奇妙的事在上演， 　　古今奇談、動物趣聞、生活妙事、宇宙奧秘… 　　新奇有趣的冷知識才是重點。 　　你知道嗎？ 　　◎毒蛇咬到自己的舌頭到底會不會中毒、對牛彈琴真的有用、 　　螢火蟲可是從小到大都會發光的、羊駝吐口水是表達不滿、 　　山羊都是攀岩高手、海裡也有醫生、有一種長得像豬的章魚、 　　貓為人類發明了一套專用的貓語、水獺寶寶游泳全靠媽媽

教、 　　有的鳥愛裝鬼臉、原來的企鵝竟然不是現在看到的南極企鵝、 　　蛛絲馬跡的馬非一般馬、在牛的屁股上畫眼睛可以保護牠、 　　動物共同的祖先可能是一種蠕蟲、天竺鼠高興的時候會暴走、 　　狗才是最早被訓練去抓老鼠的動物、烏賊的墨汁可以用來寫字、 　　魚也會口渴、蜜蜂消失對人類的影響是很大的…… 　　◎常吃橘子會改變膚色、在石器時代人就開始養寵物、 　　自言自語對身體也有好處、打哈欠根本不會傳染、 　　可愛會讓人喜愛，其實也會引起破壞慾、哭不宜超過15分鐘、 　　痘痘不是突然長出來的、為什麼大多數人都習慣使用右手、 　　雙胞胎之間有存在心靈感應的案例但卻沒有科學結論、 　　學新東西會讓大腦越聰

明、每個人小時候都有尾巴…… 　　◎招財貓會舉右手，也會舉左手、羽毛球上的羽毛是16根、 　　有的咖啡是來自動物的糞便、元宵和湯圓其實大不同、 　　不倒翁為什麼推不倒、在什麼樣的溫度下睡眠最舒服、 　　天氣愈冷，手機耗電越快、水其實是藍色的、 　　吃蛋糕吹蠟燭是因為月亮女神…… 　　◎地球上所有人一起大喊會怎樣、太陽可能曾有孿生兄弟、 　　天王星和海王星都擁有液態鑽石海洋、地球上的水究竟從何而來、 　　地球曾送給外星人一張唱片、地球正在讓月球漸漸地生鏽、 　　假設能從地球走路到月球，那需要多久…

在不平衡數據集下改善鋁壓鑄件缺陷檢測性能的探討

為了解決自行車補胎片的問題，作者鄭宜雯 這樣論述：

目錄摘要 iAbstract ii目錄 iv圖目錄 viii表目錄 xiii第一章 緒論 11-1 研究動機與目的 11-2 相關文獻探討 41-2-1 使用HOG提取缺陷特徵 41-2-2 使用VGG16做為缺陷檢測 81-2-3 使用模板比對做為缺陷檢測 111-2-4 與本研究拍攝環境最相似的文獻 111-2-5 總結-選擇辨識方法 151-2-6 不平衡數據相關探討 151-2-7 使用SVM懲罰函數解決不平衡數據 181-2-8 ORB影像對齊 201-3 論文架構 22第二章 系統架構 232-1 實驗流程 232-2 實驗設備

介紹 252-3 背景相關知識 252-3-1 HOG 262-3-2 SVM 292-3-3 CNN 322-3-4 VGG網路 352-3-5 TensorFlow模組 37第三章 實驗方法 383-1 Dataset 383-2 交叉訓練 403-3 數據擴增 413-4 HOG特徵提取 423-5 訓練VGG16網路 443-6 解決不平衡數據集問題-調整SVM參數 473-7 模板比對 483-7-1 影像對齊法 493-7-2 待對齊影像之影像二值化 513-7-3 影像相減 52第四章 實驗結果與討論 544-1 擴增缺

陷數據 544-2 缺陷偵測效能的評估標準 554-3 HOG分割尺寸的選擇 564-4 HOG歸一化以及SVM核函數搭配 614-4-1 正常及缺陷比例為2:1的實驗結果 614-4-2 增加數據數量後的實驗結果 674-4-3 正常及缺陷比例為5:1的實驗結果 694-5 加入F1-score計算結果 724-6 VGG16分類結果 734-7 模板比對結果 774-7-1 畫面1實驗結果 774-7-2 畫面2實驗結果 804-7-3 模板比對法結果與討論 824-8 三種辨識成果討論 83第五章 結論與未來展望 855-1 結論 855

-2 未來展望 86參考文獻 87圖目錄圖1. 鋁壓鑄件環境參數[1] 2圖2. 各種缺陷種類。(a)表面充填不良；(b)缺裂[2]；(c)燒付；(d)裂痕[2]；(e)正常打洞；(f)變形，模具內pin腳斷裂，打洞失敗。 2圖3. 缺陷葉片的梯度方向直方圖[5]。(a)位置I處損壞葉片的HOG；(b) 位置I的未損壞葉片HOG；(c)位置II中損壞葉片的HOG；(d)位置II中損壞葉片的HOG。 5圖4. 實驗渦輪葉片檢測結果[5]。(a)所有葉片完好無損；(b)~(d)有缺陷葉片。 6圖5. 紡織品缺陷檢測的訓練流程圖[6] 7圖6. 紡織品缺陷檢測的測試流程圖[6] 7

圖7. 木材缺陷[14]。(a)木材死節；(b)木材活節；(c)藍色污漬；(d)裂縫；(e)褐色污漬；(f)瀝青條紋。 8圖8. 車輪胎面圖像採集系統[22] 12圖9. 車輪胎面影像[22] 12圖10. 車輪胎面缺陷檢測架構圖[22] 12圖11. 車輪胎面缺陷影像[22] 13圖12. 定位的區域[22]。(a)正樣本；(b)負樣本。 14圖13. 追蹤騎自行車的男孩。在第61個和第72個畫面通過ORB功能，追蹤器準確地捕捉到了小男孩。藍色橢圓表示當下畫面中對象的位置。 21圖14. 追蹤行人，藍色橢圓表示當下畫面中對象的位置。 21圖15. 本研究的系統流程圖 23圖

16. 本研究所採用的工業攝影機[38-39] 25圖17. 計算點A梯度的遮罩：梯度值可寫成(11)式，梯度方向可寫成(12)式。 26圖18. HOG的核心概念為將圖像分成細胞(cell)，再將細胞組合成圖像塊(block)。 27圖19. 偵測正常與缺陷物件的HOG流程圖[參考40] 27圖20. 不同圖像塊歸一化方法的結果[40]，其中的DET為檢測錯誤權衡效果(Detection Error Tradeoff)。 29圖21. SVM平面硬間隔分類 30圖22. SVM平面軟間隔分類，允許某些樣本可不滿足規則。 31圖23. SVM分類器不一定為線性的示意圖。(a)非線

性；(b)二維平面。 32圖24. CNN架構圖[41] 33圖25. 卷積運算示意圖 33圖26. 池化運算示意圖(參考[42]重新繪製) 34圖27. 全連接層分類出結果(參考[43]重新繪製) 34圖28. 3×3卷積的使用。(a) 5×5可被3×3卷積直接取代；(b)假設輸入8×8的特徵(以一維空間表示)，8×8也可以輕鬆地分成3×3。 36圖29. 數據集。(a)畫面1；(b)畫面2。 38圖30. 數據集內所有缺陷影像。(a)(b)燒付；(c)~(e)變形；其餘皆為充填不良。 39圖31. 交叉訓練示意圖 40圖32. 數據擴增。(a)原始影像；(b)經過扭曲的影

像；(c)經過平移的影像；(d)經過水平翻轉的影像。 41圖33. HOG分割示意圖。(a)每個影像可分成8×8的細胞，每個細胞皆會計算出一個梯度值[52]；(b)梯度方向可分成9組，經過統計可得出有9個bin的直方圖[53]。 43圖34. 將2×2的細胞組合成一個圖像塊 44圖35. VGG16架構圖[54] 45圖36. 一般分類情況，每種類別的比例將近為1:1。 47圖37. 特殊狀況，某類別數量少，形成這種數據不平衡的關係。 48圖38. 模板比對流程圖 49圖39. SIFT、SURF、BRIEF (with FAST)和ORB (oFAST + rBRIEF)的匹配

性能。ORB的性能優於其他做法[56]。 51圖40. 使用ORB影像對齊方法的一個結果 52圖41. 影像二值化。(a) ORB影像對齊後的結果，經旋轉或平移後空掉的部分將以黑色補上；(b)上圖若直接與模板影像做影像相減會產生誤差；(c)影像二值化，以色彩1為門檻值，若低於1則顯現黑色，若高於1則顯現白色；(d)將圖像中黑色部分貼上模板的影像，再轉回原始圖像顏色。 53圖42. 畫面2裁成缺陷比例較大的大小。(a)正常鑄件影像；(b)缺陷鑄件影像，紅框為缺陷位置。 54圖43. 藉由調整亮度來增加缺陷數據。(a)原圖；(b)將原圖調亮10%；(c)將原圖調暗10%。 56圖44.

固定圖像塊尺寸為2×2 (細胞)，各種細胞尺寸所得的準確率。 58圖45. HOG計算圖像塊數量示意圖 59圖46. 各種細胞尺寸和塊尺寸搭配的特徵維度 60圖47. 固定細胞尺寸為16×16 (像素)，各種圖像塊尺寸所得的準確率。 61圖48. 固定圖像塊尺寸為4×4 (細胞)，各種細胞尺寸所得的準確率。 61圖49. 所有測試結果的比較直方圖 62圖50. 正常與缺陷數據2:1，C = 1，四種歸一化方式的準確率、召回率和精確率。 64圖51. 正常與缺陷數據2:1，C = 100，四種歸一化方式的準確率、召回率和精確率。 67圖52. 正常與缺陷數據2:1，使用L1歸一化

，kernal = RBF，C從0.1~10000的準確率、召回率和精確率。 67圖53. 增大數據量後，正常與缺陷數據2:1，四種歸一化方式的準確率、召回率和精確率。 69圖54. 正常與缺陷數據5:1，四種歸一化方式的準確率、召回率和精確率。 72圖55. RBF核函數，懲罰函數的走向。 73圖56. 框取正常與缺陷標籤。(a)缺陷件影像，紫色框表示標籤為Defect；(b)正常件影像，由於整張皆是正常件，於是隨機框取，藍色框表示標籤為Normal。 75圖57. 損失函數。(a)VGG16損失函數。(b)一般損失函數。 77圖58. 影像相減後的差值圖。(a)編號002的正常

鑄件影像-模板影像的差值圖，幾乎是一片黑；(b)缺陷部位較小的缺陷影像-模板影像的差值圖，缺陷較無法以肉眼看出；(c)缺陷部位較大的缺陷影像-模板影像的差值圖，缺陷部位隱隱若現；(d)增加(c)的對比度，將缺陷部位突顯出來。 79圖59. 正常鑄件影像-模板影像，差值為0的個數有將近1,800,000個。 80圖60. 缺陷鑄件影像-模板影像，差值為0的個數僅有將近1,300,000個左右。 80圖61. 畫面1做影像相減後差值為0的個數走向 81圖62. 畫面2做影像相減後差值為0的個數走向 82圖63. 將畫面2裁剪為止有缺陷部位的大小，紅圈為缺陷位置。 82圖64. 畫面2做

影像相減後差值為0的個數走向 83表目錄表1. 測試結果統計表[5] 6表2. Mix-FCN網路與其他網路的指標值[14] 9表3. 車輪踏面缺陷定位測試結果[22] 14表4. 混淆矩陣 17表5. SE-gcForest、原始gcForest [29]、SMOTEBagging [28]和SMOTEBoost [27]的F1效能[26]。 18表6. 使用SVM、P-SVM和改進的P-SVM方法對帕金森病數據集和輸血服務中心數據集的準確率[30]。 19表7. VGG各模型配置[44] 35表8. A模型與A-LRN模型性能比較[44] 37表9. 數據集影像數量 3

8表10. 修改過後的VGG16層數圖 46表11. 擴增後的數據集影像數量 56表12. 缺陷偵測混淆矩陣 56表13. 測試HOG分割尺寸的數據量(非實際數量，而是8次交叉驗證的等效總數量) 58表14. 固定圖像塊尺寸為2×2和4×4，各個細胞尺寸的特徵維度。 60表15. 正常與缺陷數據2:1的訓練及測試張數 62表16. 正常與缺陷數據2:1，C = 1時結果。 63表17. 正常與缺陷數據2:1，C = 100時結果。 65表18. 增大數據量後，正常與缺陷數據2:1的訓練及測試張數。 68表19. 增大數據量，正常與缺陷數據2:1結果。 68表20. 正常與缺

陷數據5:1的訓練及測試張數 71表21. 正常與缺陷數據5:1，C = 1時結果。 71表22. 最終結果混淆矩陣 74表23. VGG16數據集 75表24. VGG16結果混淆矩陣 77表25. 模板比對使用數據集 78表26. 畫面1做影像相減的實驗結果 81表27. 畫面1做影像相減的實驗結果 83表28. 三種辨識方法的速度 85