走在汽車革命的路上論文書籍站
輪框大小差異的問題，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
輪框大小差異的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦張美娜寫的 初學者的自然系花草刺繡【全圖解】：應用22種基礎針法，繡出優雅的花卉平面繡與立體繡作品(附QR CODE教學影片+原寸繡圖) 和ちょ的 魔法插畫帖：簡單掌握技巧，以線條妝點每一天!都 可以從中找到所需的評價。
另外網站外觀重要還是需求重要？ 專家教你輪圈這樣挑 - 東森新聞也說明：輪圈是在車上最能從外表看出一台車子最有差別的地方，因為外在板件大多只能 ... 大小、C/B值大小，如果你要改裝加大輪圈或讓你的輪圈凸出來，那你就要 ...
這兩本書分別來自蘋果屋 和楓書坊所出版 。
朝陽科技大學 工業工程與管理系 林宏達所指導 鄭丞凱的 電腦視覺技術應用於手工具組裝之零件瑕疵檢驗 （2021），提出輪框大小差異關鍵因素是什麼，來自於自動化檢驗、手工具組裝、瑕疵檢驗、R-CNN網路模式。
而第二篇論文臺北醫學大學 藥學系臨床藥學碩士在職專班 王莉萱、唐功培所指導 李婉萱的 運用計畫行為理論與科技接受模型探討第二型糖尿病患者使用胰島素注射劑之行為意圖 （2021），提出因為有 第二型糖尿病、胰島素、心因性胰島素阻抗、計畫行為理論、科技接受模型的重點而找出了 輪框大小差異的解答。
最後網站輪胎越小車跑越快？結果可能相反！輪胎尺寸與引擎扭力變速箱 ...則補充：輪胎越小車越快? 點我. 我們都知道輪胎屬於簧下重量的一部分，所以越輕越好，除了更換新的輕量化鋁圈（ ...
初學者的自然系花草刺繡【全圖解】：應用22種基礎針法，繡出優雅的花卉平面繡與立體繡作品(附QR CODE教學影片+原寸繡圖)
為了解決輪框大小差異 的問題，作者張美娜 這樣論述：
專為第一次刺繡、想要繡出美麗花卉的人所設計， 定格全圖解＋實境示範影片，打造最清晰易懂的花草刺繡入門書！ 精選22種最能展現花草風貌的基礎針法，收錄5種主題色X 32款刺繡作品， 從繡一朵單色小花開始，練習繡出繽紛的花束、花環與花籃！ 「圖解與文字說明清晰，初學者易理解，透過刺繡裡的時間，貼近自然與慢生活。 針法是固定，但創作是自由的。」──說說刺繡Wunsing&Amber 療癒推薦 紅色山茶花、白色三葉草、黃色油菜花， 只需繡線、繡針，以及一個小小的繡框，就能帶來一段專屬於自己的慢時光。 本書從認識法式刺繡的工具與材料開始，帶你學習剪裁布料、描繪圖案、
引線穿針…… 並圖解說明「基礎針法」，每種針法都可再分為基本型和應用型，讓你一步一步熟練技巧。 練習各種針法後，就能按照繡圖，繡出薰衣草、向日葵、康乃馨等美麗花卉， 並學會將同一種花繡出不同顏色與漸層效果，且透過堆疊手法讓平面作品展現立體感。 除此之外，還能將花草刺繡應用在束口袋、拉鍊袋等日常小物中， 讓你將這份細緻的手作小禮，送給身邊喜愛的人。 本書特色 ◎教學完整！從基礎知識到進階作品，讓刺繡初學者不慌不忙的詳盡教學。 本書從最基本的刺繡知識開始教起，包括如何選購繡針、認識不同繡線的差異、手持繡框的姿勢、穿針與打結等，接著再一一學習可運用在花瓣、葉子、莖、
枝幹的不同針法，並特別設計「針法練習」，讓人感受到同一個針法能繡出不同圖形，以及在一個圖形中結合不同針法的趣味。最後才會進入完整的花卉刺繡作品。讓你一步一步照著做，也能慢慢成為刺繡好手。 ◎清晰易懂！600張定格分解圖＋QR CODE示範影片，讓你透徹熟悉針法技巧。 刺繡會不會很難？直針繡、雛菊繡、緞面繡等等一大堆的針法名詞好像很複雜？本書為了讓第一次刺繡的人也能成功繡出好看的圖案，完整拆解每個針法步驟，以近距離拍攝重點細節的照片，放大出入針位置、纏繞等動作，並且透過影片示範整個流程，讓人一看就懂，解決「不清不楚」的困惑。 ◎細緻質感！用基礎針法繡出20種質感花卉，體會繡出繽紛
顏色花草的樂趣。 紫色的薰衣草、黃色的向日葵、粉色的櫻花……本書收錄的都是大家常見、喜愛的花卉植物，並依照「藍紫色、黃橘色、粉紅色、紅色、白色」做分類，每個作品圖樣也都清楚標示出使用的繡線顏色，以及使用的針法。而且，不單單是繡出一朵花而已，並設計成美麗的花束、花環、花盆、花籃等造型，呈現細緻優雅的刺繡品。 ◎簡易應用！搭配「針法練習圖案」與「花卉作品圖案」，輕鬆就能立刻跟作。 書中的所有刺繡作品以及練習用的圖案，都以「原寸」大小收錄在書末，只要利用描圖紙複製圖案，就能輕鬆地移轉到布料上開始刺繡。如此一來，完全不用擔心自己手拙或沒有繪畫美感，只要照著繡，一定能完成令人滿意的精緻繡花
。
電腦視覺技術應用於手工具組裝之零件瑕疵檢驗
為了解決輪框大小差異 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
魔法插畫帖：簡單掌握技巧，以線條妝點每一天!
為了解決輪框大小差異 的問題，作者ちょ 這樣論述：
～IG 10萬追蹤，最擅長簡筆圖的ちょ老師推出第一本教學書～ 手帳、行事曆、小卡片都好用，以插圖為生活帶來更多歡笑 畫畫是一種天賦嗎？ IG深受歡迎的插畫家ちょ老師會告訴你， 只需掌握幾個要點，就能成為「會畫畫的人」！ 為了讓更多人都能輕鬆享受畫圖的樂趣， 本書會以「一枝原子筆就能完成的插圖」為主題， 告訴大家如何簡單畫出線條、加上一點顏色，完成可愛逗趣的插圖； 並且帶給自己歡笑、使身邊的人展露笑顏，讓更多人體驗插圖的神奇魔法！ 在這本《魔法插畫帖》中， ちょ老師會提示幾個重點，讓你更能順利運筆施展魔法。 Point 1▸改變順序，先
捕捉最鮮明的特徵 從狗狗的耳朵開始畫，練習用線條表現柴犬、吉娃娃、貴賓狗的犬種差異！ Point 2▸輪廓最後畫，物品形狀更精準 不從拍框而是從網線開始，就能完美掌握球拍整體的平衡感了！ Point 3▸先想像框架再畫細節，立體感更豐滿 在倒三角的框框裡，一顆顆加入葡萄粒，就能畫出更生動的葡萄！ 為生活每一件小小的事物加入可愛插圖， 不只完成的當下會感到心滿意足， 日後翻閱精心繪製的手帳，或是點綴小插圖的生日卡片時， 也能享受回顧的樂趣，為過往快樂的記憶增添色彩。 不隨著歲月褪色，這正是插圖的魅力之一。 只要運用手邊的原子筆或
色鉛筆， 以書中示範圖為範本，盡情添加屬於自己的風格變化， 期望各位都能沉浸在幸福的插圖世界裡，遇見理想中的「可愛插圖」。 本書特色 ◎四個步驟極簡拆解，150張插圖從起筆到完成，一筆就能學會。 ◎從天氣、動物、甜點飲料，到交通與商業活動，多題材廣泛收錄，每一天都能派上用場。 ◎全書插圖分成「讓自己開心」和「讓別人開心」兩部分，無論是私人筆記、還是給別人的留言小卡，都能靈活運用。
運用計畫行為理論與科技接受模型探討第二型糖尿病患者使用胰島素注射劑之行為意圖
為了解決輪框大小差異 的問題，作者李婉萱 這樣論述：
研究背景全球第二型糖尿病的盛行率逐年攀升，而台灣糖尿病盛行率於2019年統計也已經超過11％，且絕大多數為第二型糖尿病，高血糖問題儼然成為我國國人健康的最大隱憂。糖尿病為一慢性全身性疾病，若長期控制不好會導致諸多併發症的產生，研究顯示，初發病的糖尿病病人若積極治療能顯著降低發生大小血管併發症的機率與降低死亡率。早期基礎胰島素介入治療可使病人血糖快速趨於正常水平，減少不可逆併發症的發生，為病人帶來長期的好處。然而大部分第二型糖尿病患者對於注射胰島素仍抱持抗拒的心態，因而耽誤使用胰島素治療的時機。國外對於心因性胰島素阻抗已有多項研究，台灣的胰島素注射率遠低於歐美國家，卻鮮少有研究深入探討台灣民眾
對於使用胰島素控制血糖的看法，因此我們進行這項研究，希望透過問卷方式了解糖尿病患者對於使用胰島素治療的態度。本研究分別以計畫行為理論和科技接受模型為理論框架，發展出新的量表（以下簡稱為計畫行為理論量表和科技接受模型量表），以了解哪些因素會影響糖尿病患者使用胰島素的行為意圖，並進一步比較兩個理論何者較適合用於探討施打胰島素的行為意圖，進而將研究結果應用於衛教上，提升胰島素注射率和糖尿病照護的成效。研究方法本研究為一橫斷性研究，採匿名式問卷，同時於板橋某家醫科診所和網路進行問卷調查。問卷由計畫行為理論量表和科技接受模型量表所組成，其內容包含人口統計資料、糖尿病及其治療相關的知識測驗及影響病患使用胰
島素行為意圖等題項。問卷首先聘請專家做內容效度評估，使用條目水平的內容效度指數（item-level CVI）作為刪題標準，接著以便利性抽樣選取13位第二型糖尿病患者進行前驅測試，二度確保問卷內容的適切性，待問卷全數回收後再執行項目分析、建構效度分析和內在信度分析，以確立問卷的信效度。確保問卷結果符合信效度要求後，利用潛在變數路徑分析法（path analysis with latent variables, PA-LV）分別驗證計畫行為理論研究假設中，態度、主觀規範、知覺行為控制、知識對行為意圖的影響，與科技接受模型理論研究假設中，知覺易用性、知覺有用性、使用態度、外部變數對行為意圖的影響。
最後以行為意圖的解釋變異量比較兩個模型解釋力的優劣。研究統計分析p值皆為雙尾檢定，並定義p值小於0.05具有統計學上顯著差異。研究結果計畫行為理論量表由態度、主觀規範、知覺行為控制、行為意圖4個分量表組成，經項目分析、探索性因素分析、驗證性因素分析與信度分析後，總題項數由36題刪減成28題，各分量表信度指標α係數皆>0.6，總量表α係數=0.915，具良好信度。探索性因素分析將態度分量表和知覺行為控制分量表題目各自分為2個構面，符合計畫行為理論原設計信念，唯主觀規範分量表題目分成的2個構面與原設計信念不符，所有題項之因素負荷量皆>0.5。階層驗證性因素分析整體模型適配度指標X2/df=3.04
1、GFI=0.86、RMSEA=0.072具良好適配度，CFI=0.891、TLI=0.876為可接受適配，顯示模型仍有改善空間。計畫行為理論量表對行為意圖的解釋力為83%，其路徑分析結果顯示，態度、主觀規範和知覺行為控制皆會正向直接影響行為意圖，知識則會透過態度和知覺行為控制間接影響行為意圖。科技接受模型量表經項目分析、探索性因素分析、驗證性因素分析與信度分析後，總題項數由15題刪減成13題，量表信度指標α係數=0.905，具良好信度。探索性因素分析將題目分成4個構念，符合科技接受模型理論，且每個構念題項數都保留3項以上。驗證性因素分析整體模型適配度指標為X2/df=2.561、GFI=0
.947、RMSEA=0.063、GFI=0.969、TLI=0.959，表示模型適配度優良。科技接受模型量表對行為意圖的解釋力為67.2%，其路徑分析結果顯示，知覺有用性和知覺易用性皆會正向直接影響對胰島素的使用態度，使用態度是行為意圖的主要決定因素，知識則會透過知覺有用性對行為意圖產生間接影響效果。結論計畫行為理論量表和科技接受模型量表皆能良好預測行為意圖，但計畫行為理論對行為意圖的解釋力更高，且能提供更多的資訊，故本研究認為，計畫行為理論較科技接受模型更適合用來預測和解釋第二型糖尿病患者施打胰島素的行為意圖。而根據計畫行為理論量表的結果，施打胰島素的態度為第二型糖尿病患者施打胰島素的行為
意圖之主要決定因素，態度又會受到知識的正向直接影響，故醫療人員可透過加強民眾對於胰島素的正確知識來改變病患對施打胰島素的態度，提供糖尿病患者最適當的藥物治療。最後我們可將本研究結果應用於臨床上，提升第二型糖尿病患者使用胰島素的意願，以改善糖尿病治療的整體照護成效。