車牌尺寸的問題，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

向AI贏家學習!：日本26家頂尖企業最強「深度學習」活用術，人工智慧創新專案致勝的關鍵思維

為了解決車牌尺寸的問題，作者日経クロストレンド 這樣論述：

――日本「深度學習商業運用大獎」首屆得獎專案全收錄！――   最具影響力的日本財經媒體之一《日本經濟新聞社》集團日經BP旗下日經xTREND與日經xTECH主辦   Kewpie、NTT DOCOMO、日本菸草產業、軟體銀行、SMBC日興證券、三菱總合研究所、日本交易所…… 26家頂尖企業最成功的AI戰略直擊，多領域豐富案例完整解析   日本AI書籍第一人、東京大學松尾豐教授深入剖析「以深度學習提高附加價值」的關鍵議題   AI改變世界之勢已不可擋，最大的機會在哪裡、最強的威脅是什麼， 擺脫技術層面的思考，以人為本，預見戰略全面革新的美麗新世界！   ★用AI監測網紅灌水，開發最直接有效的

創意手法！ ★用AI預測股價走勢通知賣出時機，10倍報酬潛力可期！ ★用AI自動寫文章，財務報表數據製作成完美說明文書！ ★用AI打造最強球隊，開創轉會市場無限商機！   █ 深度學習只是計算處理技術，人工智慧不過是概念名稱，了解它的本質，才能掌握人工智慧真正的潛力！   深度學習確實已經融入商業面，開始運用於各種產品和服務。 有些公司因此提升了業績，也有些公司進而解決了社會課題， 本書深入介紹這些最先進的實際案例從發想、成形到實踐的過程。   書中具體剖析含括「深度學習商業運用大獎」獲獎六項計畫在內的26個案例， 將運用深度學習的效益分為四大類。   ▌改變產品開發流程和產業結構：介紹藉由運

用深度學習改變產品開發或行銷方式的案例，統整出通路領域製造商、批發、零售勢力平衡出現變化時的具體策略 ▌因應消費者的需求：介紹想要找到附近便宜的加油站或可用的停車位、投資股票讓獲利翻倍時，如何因應需求解決問題 ▌改革勞動方式：介紹藉由深度學習代替人工作業後，推動附加價值更高的勞動型態實際案例 ▌偵測錯誤和異常，解決社會課題：介紹以攝影機和深度學習技術來偵測不法與虛假資訊、以低價實現高準確率的最新技術   26家見解獨到的企業揭示有效運用AI的共通點， 全方位檢視實戰現場第一手觀點、開發規畫人員戰術思維、實踐成果體驗分析， 為各領域規模、目標各異的組織和人士，提供在這個空前時代開創新局的實用指南

。   █ 深度學習實踐案例全收錄   01  「AI食品原料檢查設備」，逆轉思維確保食安 02  「包裝設計喜好度評估預測AI服務系統」，徹底改變市調作業 03  從水處理到巧克力，流體動態影片與靜態影像辨識大不同 04  自動辨識貨架商品建議配置，改變製造商、批發、零售的角力 05  從改善生產流程到改善製造業，提升人工目測檢查效率 06  用深度學習掌握超商香菸陳列，以競賽作為獲得新技術的工具 07  分析餐廳暢銷菜單，開發外食數據標註技術 08  數據化強化選手戰力、分析球隊效益，訓練強度定量化 09  AI即時自動模糊加工處理，5G時代不只是通訊的多樣化服務 10  從日常對話到跨國

商務，運用深度學習自動翻譯降低語言門檻 11  連結現實與數位，找便宜加油站、停車空位輕鬆搞定 12  「AI股票投資組合診斷」協助投資，讓資產變十三倍 13  重現熟練操作員的雙眼，提高五倍垃圾處理效率 14  自動排除幼兒「NG照片」，解決幼兒園照護課題 15  餐廳自動結帳系統因應人力不足問題，讓氣氛更輕鬆活絡 16  辨識貨車車牌影像，縮短物流據點等候貨物時間 17  讀取財務報表數字自動製作報告書，實現高準確率自動化智庫 18  偵測駕駛習慣和風險因子，以資訊科技減少交通事故 19  AI與機器的「拉鋸戰」，食品加工製造生產線另闢蹊徑的智慧 20  自動讀取加工設計圖面，解決產業嚴重

人力不足問題 21  以原有強項為基礎，建立低單價累積長程獲利的商業模式 22  運用深度學習新手法更精確預測降雨，不用超級電腦即可完成 23  全球首創運用深度學習偵測證交所不當交易，假買賣無所遁形 24  用AI揭發網路名人不法行為，揪出灌水的網紅追蹤者人數 25  從眼底影像解讀健康狀況，設備的資料加工化為商機 26  超低價深度學習系統，運用邊緣裝置實現高準確率人臉認證

車牌尺寸進入發燒排行的影片

歪斜機車車牌定位與轉正之研究

為了解決車牌尺寸的問題，作者范馨如 這樣論述：

汽車車牌辨識的應用已經非常廣泛，大部分的應用場域是在固定的停車場出入口，或是收費的柵口處，而這些應用的場域，大部分會設計充足的光源，以及固定的位置，對於車牌的取得比較容易且不會犯錯。但是對於機車車牌定位與辨識的研究，還是非常稀少，原因是機車的車牌吊掛方式不同以及機車停放時的姿態差異性很大。因此本研究將以多機車歪斜車牌進行嘗試性的研究，以期能夠提供更多的應用。 本研究採取特徵匹配法做為定位的基礎，分別以邊緣特徵以及色彩特徵發展定位的程序。而這兩個程序皆包含三個部分：(1)前處理、(2)車牌定位與(3)車牌轉正。在邊緣特徵定位方面，以垂直邊緣偵測與型態影像運算為主要的處理。而在色彩特徵定位

方面，則以色彩分割與物件輪廓線為主要的處理。本研究的車牌轉正的方式，從車牌輪廓線找車牌四個角點，改由數個字母的物件最小矩形框為基礎，準確地找到了車牌的四個角點，成為堅固的轉正方法。 本研究初步證實特徵匹配法在多個機車車牌物件的定位技術是可行的，然而還需要更多的測試，以及融合多個特徵做為更加強固的方法。而對於車牌色彩樣本的測試也得到色彩模式的印可，若要更精準地使用色彩特徵，則需要對色彩模式更加的了解。

Python機器學習超進化：AI影像辨識跨界應用實戰(附100分鐘影像處理入門影音教學/範例程式)

為了解決車牌尺寸的問題，作者鄧文淵,文淵閣工作室 這樣論述：

　　轟動程式圈3大AI影像辨識利器  　　從收集資料、圖片擷取、建立標籤、訓練模型  　　到智慧影像辨識的全面進化實戰！    　　人工智慧(Artificial Intelligence)應用基本上可分五大層面：時間序列、圖像處理、音訊處理、自然語言處理以及動態影像處理，其中與「智慧影像」相關者就佔了兩大領域。智慧影像是透過電腦視覺技術，從中學習人類的視覺辨識能力，並自動判讀影像中的關鍵資訊，目前被大量使用在圖像辨識、人臉識別、物體動作捕捉、光學文字識別...等，是人工智慧最為廣泛的應用之一。    　　在這個領域的研究中有許多功能強大的工具，如OpenCV、Yolo與dlib，但許多使

用者卻不知如何收集資料、建立標籤，更不知道如何訓練模型，進而達成智慧影像辨識的結果！本書將引領讀者運用自己的資料，透過本機與雲端的資源，以目前主流技術進行自有模型的訓練來完成實際可用的智慧影像應用。    　　挑戰智慧影像最佳學習地圖，  　　結合本機與雲端應用，  　　真正深入AI影像辨識核心！    　　■掌握智慧影像的技術特性與主流的應用模組，涵蓋OpenCV、Pillow、Yolo與dlib。    　　■根據不同模組特性介紹其資料來源的收集方式，除了一般土法煉鋼的徒手拍攝影像，也能利用Kaggle資料庫進行下載，或是利用動態影片進行大量圖片的擷取，再運用自動批次的方式進行圖片整理與特

徵標記。   　　■當本機在訓練模型時發生記憶體不足、效能不夠等問題時，使用Google專為機器學習而生的Colab雲端服務來訓練自己的模型。    　　■集結最具代表性的實務應用主題，包括人臉辨識、口罩人臉辨識、車牌辨識、車流統計…等專題，在真實的情況中體驗智慧影像的應用，並擁有開發能力。    　　■針對OpenCV與Pillow影像處理特別提供入門影音輔助教學，加速學習效率。    　　書附超值學習資源：範例程式檔／100分鐘OpenCV與Pillow影像處理入門影音教學

利用深度學習之YOLOv3偵測機車車牌

為了解決車牌尺寸的問題，作者林宗易 這樣論述：

　　在現在的交通工具中，機車還是最便利，最不會塞車的交通工具，然而，機車失竊常常發生，機車車主要找回失竊的機車，實在不容易。另外，一些罪犯，常偷竊機車來犯案，警察要緝凶，也常以車追人，然而機車那麼多，警察要調閱各路口監視器，慢慢看慢慢找，才有可能找到，甚至找不到。為了幫助機車失主和警察，能快速找到失竊機車和做案兇手，若能有一套智慧型機車車號偵測和辨識系統，就可以幫助機車失主和警察，尋回其愛車和逮補兇手。然而機車車牌的偵測對智慧型機車號碼偵測和辨識系統最為重要，車牌偵測不到，那就不用辨識車牌了。因為在真實的環境中，機車車牌會出現在白天、夜晚、模糊、旋轉、強光、甚至陰暗中，這些車牌利用傳統車牌偵

測方法來偵測，其效果有限。為了能偵測上述真實環境中的機車車牌，本文利用深度學習 YOLOv3技術來訓練和偵測全天候環境下的機車車牌。我們的做法是總共標記影像數目為19572個訓練資料，綜合實驗結果顯示，車牌定位偵測準確率可達97.26%，車牌偵測字元準確率可達99.76%，測試實驗結果顯示，車牌定位偵測準確率可達91.64%，車牌偵測字元準確率可達98.31%。