英制的問題，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

日本殖民下的她們：展現能力，引領臺灣女性就業的職場女先鋒

為了解決英制的問題，作者游鑑明 這樣論述：

臺灣女力崛起，閃耀於日治， 從被動隱忍到主動爭取，形成前所未見的社會群體， 職場女先鋒的篳路藍縷，讓女性不再無聲！ 　　日本殖民政府在臺灣推行現代化，鼓勵女性放小腳、受教育、就業，為她們打開了另一扇門，能以嶄新的視野面對世界。她們為了成就夢想、為了經濟獨立，紛紛進入一貫以男性為主的職業領域，許多行業都出現了第一位女性，她們開始在職場發光發熱，走出自己的人生旅途。 　　跨越國族的不公，掙脫傳統的束縛， 　　她們在日治時代開拓出自己的路。 　　跟隨文獻檔案、報刊與口述者的回憶， 　　從女教員、女醫生、產婆、看護婦、女工等職業生涯， 　　回到那個女性思潮覺醒的年代。 　　女教員的愛心

堅定，令學生認真向學。 　　女醫生的熱心親和，廣受病患信賴。 　　產婆的悉心靈巧，造福無數母嬰。 　　看護婦的耐心順從，給予患者力量。 　　女工的勇敢發聲，讓社會聽見不平鳴。 　　游鑑明教授從各式史料檔案中追尋職場女先鋒，除了官方紀錄、相關出版品外，還有照片、廣告、報導等，更直接與她們對話。作者訪問近百名走過日治時代的職業婦女，以淺白的文字，呈現她們如何在傳統與現代、種族與性別中拉鋸；就學、培訓、求職、就業過程的成就與辛酸；人際關係的演變，以及對家庭、社會的影響。透過她們的職場故事，看見最真實的日治臺灣女性史。 本書特色 　　1.    超過50張日治時期珍貴的人物照片、宣傳廣告、新聞報

導。 　　2.    從口述史中獲得家庭生活史、社會生活史和女性史，補足有形史料的缺口。 　　3.    細論日治時期臺灣的勞動形態如何漸趨現代化，觸發女性走出家庭，進入職場。 名人推薦 　　許雪姬（中央研究院臺灣史研究所所長） 　　洪郁如（日本一橋大學社會學研究科教授） 　　謝金魚（歷史作家）／女力聯合推薦 　　本書改寫於作者博論，但所寫的並未過時，亦即相關研究仍能照觀職業婦女的現象，實有出版的價值。作者刪除博論中的部分圖表，盡量清楚地融入正文，並修改艱澀難懂之處，成為平實易懂，符合現代讀者口味之書，又加了博論後出現的新史料，如照片、新聞報導，以增加本書的可讀性。本書不再只服務學界，更

期盼打開國內外一般讀者的市場，使婦女有血有淚、有聲有色的真人真事，躍然紙上，使她們的故事能被廣為周知。——許雪姬／中央研究院臺灣研究所所長 　　這是一本必讀的台灣史經典著作，完整呈現了近代臺灣女性走入職場的重要歷史過程。作者不但以綿密的文獻史料，嚴謹的方法論為基礎，更以長年走遍城鄉，親身進行口述訪談累積的大量珍貴紀錄，突破了女性為研究主題所面臨的史料限制。正如導論中作者所言：「口述史料是主訪和受訪人共同完成的成果。」讓我們一起來傾聽歷史學家與日本殖民下她們的生命對白。——洪郁如／日本國立一橋大學教授 　　隔著一百年的時光，同樣身為職業婦女的游教授在另一頭細細地描繪著阿嬤們執業的身影，看完這

本書，我似乎看見她們手持火炬走在前面，而我們拿著手電筒緊隨其後，即便越走越明，卻依然有暗影，期待有一天我們的女兒與孫女，可以與她們的男性同輩一樣走在光中。——謝金魚／歷史作家

英制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

為了解決英制的問題，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

新一代 科大四技機械群機件原理升學跨越講義含解析本 - 最新版(第二版) - 附MOSME行動學習一點通：詳解．影音．診斷．評量

為了解決英制的問題，作者鍾義 這樣論述：

　　每章內容依序為「重點整理」、「老師講解」、「學生練習」、「精選範例」、「同步練習」、「綜合測驗」、「歷屆統測精選」、「火紅素養題」等七個部分。   　　1.本書提供「考前衝刺」：濃縮教材精華，集合重要定義、性質及重點公式。 　　2.重點提要：將各章節內容重要觀念及公式作有系統的整理，條列或圖表化本章重點所在。 　　3.老師講解及學生練習：以考試命題趨勢分類成觀念題及計算題型，附詳解與試作型態，使同學掌握解題要領。 　　4.精選範例及同步練習：每主題後皆編有題型之課後練習，方便讀者可檢視自我學習成效。 　　5.綜合測驗：熟悉每小節的內容，系統性的練習提升學習成效。 　　6.歷屆統測精選：

網羅近10年統測試題分章置於各章末，讀者學習全章後，可自我測試，熟悉近年考試趨勢增加考試信心。 　　7.歷屆試題答對率與難易度：自107年度起，測驗中心公告每一選擇題的考生答對率，並依據答對率來判別難易度（答對率小於40%表示困難，大於等於40%、小於70%表示中等，大於等於70%表示容易）。 　　8.火紅素養題型：新課綱強調素養導向，本書於章末編有火紅素養題供練習，使讀者提前熟悉未來考題趨勢，輕鬆面對統測素養題型！   　　MOSME行動學習一點通功能：   　　使用「MOSME 行動學習一點通」，登入會員與書籍密碼後，可線上閱讀、自我練習，增強記憶力，反覆測驗提升應考戰鬥力，即學即測即評，

強化試題熟練度。   　　1.詳解：至MOSME行動學習一點通（www.mosme.net）搜尋本書相關字（書號、書名、作者），登入會員與書籍密碼後，即可使用解析本內容。 　　2.影音：選擇目錄中想看的題目並開啟影音，即可看到影音解題。 　　3.診斷：可反覆線上練習書籍裡所有題目，強化題目熟練度。 　　4.評量：全國唯一整合性線上測驗平台MOSME評量中心（plc.mosme.net），體驗多元評量方式（含模擬考、歷屆試題），了解學習狀況。

船舶堵漏研究與案例分析

為了解決英制的問題，作者孫正宇 這樣論述：

本研究的主要目的在於歸納各種船體破洞的型式，然後透過船體破洞型式及堵漏裝具分析，以研究堵漏裝具對應破洞型式的適用性，接著，本研究將堵漏裝具適用性導入實際案例，以探討堵漏裝具的實務應用價值。最後，本研究發現，堵漏裝具與船體破洞型式有重要的關聯性，船體破洞的大小、艙間位置及排水方式是影響堵漏裝具適用性的關鍵。本研究的成果，對於船舶航行安全息息相關，可作為船舶海上航行遇難時的重要參考資料，具實務應用價值。