齒輪組原理的問題，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

工業革命之父瓦特：最窮困的發明家，最富有的時代創造者

為了解決齒輪組原理的問題，作者陳劭芝,胡元斌 這樣論述：

最窮困的發明家，最富有的時代創造者   　　一個人的偉大讓人類邁向偉大， 　　一雙能工巧匠的手將時代分割新舊， 　　工業每一次革新，都是對他的致敬。 　　以全人類的生活祭奠，以他的名完整生活！ 　　他是蒸汽機的改良者，一手推動工業革命的傳奇──瓦特   　　「它武裝了人類，使虛弱無力的雙手變得力大無窮，健全了人類的大腦以處理一切難題。它為機械動力在未來創造奇蹟打下了扎實的基礎。」 　　 　　▎美好的童年與變調、卻值得的青春   　　瓦特出生在海港村莊的富貴人家，開明的父母與豐富的資源讓能夠深入思索每一個問題，身為船工廠老闆的父親則帶領他進入工匠技藝的世界，嶄露了高度的學術天分與手作天分。

  　　一次失敗的出海，讓瓦特家瀕臨破產，母親又因病去世，瓦特不得不放棄自己的大學夢，開始用手藝討飯吃。   　　雖說原因辛酸，結果卻甘美。他在製造數學儀器的過程中找到成就感，並巧遇貴人，到倫敦學了一身技藝回鄉開業。沒有這些日子的歷練，就沒有偉大的發明家瓦特！   　　▎巧手開名店，成為大學御用工匠，重新接觸學術   　　瓦特的數學儀器店名氣漸大，被延攬進大學做專屬工匠，瓦特因緣際會下，重新開啟學術的大門，他與學生互相討論、交換不同領域的心得，探索尚未開發的領域，最後，他的腦袋閃過一個改變世界的念頭：   　　「如果，蒸汽可以做為動力呢？」   　　沒有什麼偉大的動機，靠著一顆好奇心與追根究柢

的科學精神，瓦特踏上了改良蒸汽機的偉大航道。   　　▎越挫越勇，窮困也無法抵擋的決心   　　回到研究發明的瓦特，經歷過無數失敗的嘗試，甚至為了研究資金，不得不向人借貸、尋找贊助人，每一次失敗的嘗試都是錢財打水漂，但他不氣餒，沒有找到答案前絕不退縮。皇天不負苦心人，瓦特遇見了贊助人博爾頓，透過傑出的製造工人與絕對的信任，兩人打造了史上第一臺改良蒸汽機，取得了空前的成功！   　　▎專利被當空氣，仿品紛紛出籠，給他們來一記正義之錘！   　　爭取到二十五年專利的瓦特，被指控「自私謀取暴利」，但瓦特看得清楚，這些人只是因為不想付權利金才無端控訴的，對錯在貪婪面前顯得微不足道，還好判決結果並未撤銷

蒸汽機的專利。   　　有人看見其中商機，開始製造山寨品──「看呀，瓦特蒸汽機，不用權利金！」製造的人多，用的人更多，和善的瓦特一紙告上法院，成功捍衛了自己的權益。   　　▎不就是件發明，怎料可以改變世界   　　蒸汽機最一開始設計給礦場抽水使用，隨著瓦特不斷改良，廣泛應用在各個產業，大量降低成本，勞動型態產生巨變。旁及歐陸，這股充滿蒸汽的革命席捲了全球，讓人類不再受限於自然條件，蒙昧的世界照進了天光，造就了現代的輝煌。   本書特色   　　瓦特改良了效率差的紐科門蒸汽機，以低消耗、高輸出為賣點風靡各大產業，成為新的能源。這股蒸汽熱潮從不列顛群島飄散到歐洲大陸，隨後是美國，接著影響了全世界

，改變了人類的產業與生活型態，成為科技發達的今日最穩固的基石。

齒輪組原理進入發燒排行的影片

營建工地機具噪音量測與分析之研究

為了解決齒輪組原理的問題，作者李品逸 這樣論述：

一般環境噪音的主要來源有工業噪音、交通噪音及營建工程噪音等。其中，營建工程大量採用機械工具施工，而施工所產生的噪音已成為公害問題之一，更是對勞工有直接傷害。噪音暴露量所導致的聽力損失為漸進性且無痛感，進而影響語言聽力；此外，機具在長期使用狀況下，皮帶或齒輪產生磨損、軸承鋼珠的破裂、螺絲產生鬆脫或生鏽等，皆可能是造成工安意外的原因。緣此；本研究擬針對營建工程之機具開發出一套噪音量測及分析系統。針對施工人員在施工環境下，多項機具運作時持續一段時間之高分貝噪音值、噪音響度加權累積暴露劑量來做警示系統並記錄。未來，藉由當機具異常時，除了可能造成不正常振動外，通常展現的是聲音頻率的偏移或聲音響度的不當

變化，因而聲音頻譜在特徵參數的變化也是值得探討的問題，此應用可發展於各種高噪音工作環境，以改善在此工作環境下之職安問題，同時期待能降低機器發生損害之成本與實現機械操作科學化之分析，咸信可提供營建工地降噪必要性之參考依據。

機器人機構設計及實例解析

為了解決齒輪組原理的問題，作者 這樣論述：

本書通過理論講解與實例解析相結合的方式，詳細介紹了機器人機構設計的過程和要點。主要內容包括:機器人機構總體設計、機器人驅動機構、機器人傳動機構、機器人機身與臂部機構、機器人腕部機構、機器人手部機構、機器人移動機構。各類機構都有典型實例解析，第一章詳細講解了機器人機構設計的綜合實例。   本書內容清晰，系統性強，可以為從事機器人設計與研發的科研人員、技術人員提供幫助，也可供高校相關專業的師生學習參考。

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決齒輪組原理的問題，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