走在汽車革命的路上論文書籍站
高雄醫學大學 運動醫學系碩士班 吳汶蘭所指導 劉芸甄的 使用前臂慣性和肌電數據進行桌球揮拍動作識別和分期監測 （2021），提出axis z召回關鍵因素是什麼，來自於桌球。
而第二篇論文國立嘉義大學 生物機電工程學系 艾群所指導 傅冠翰的 深度學習應用於植保機器人之甜椒蟲害病徵影像辨識 （2019），提出因為有 深度學習、植物保護機器人、影像辨識、植物病蟲害的重點而找出了 axis z召回的解答。
使用前臂慣性和肌電數據進行桌球揮拍動作識別和分期監測
為了解決axis z召回 的問題，作者劉芸甄 這樣論述：
隨著科技日漸進步，穿戴式裝置越來越多樣化，其體積小，重量輕巧而且方便攜帶，使人們在運動時，能獲得良好的即時回饋。本研究目的在於透過穿戴式裝置收集四種桌球擊球動作的數據，建構可分類不同擊球動作、動作時期以及使用者程度高低的分類模型。方法：本研究共招募14名受試者，6位男性專業桌球運動員(曾任中華民國桌球協會所舉辦15-18歲青少年國手選拔賽之選手)及8位男性桌球新手，受試者穿戴Myo手環後分別執行四種不同的桌球擊球技巧：反手下旋拉球、正手下旋拉球、反切擊球、正切擊球，收集擊球時期前臂的運動學與肌電訊號數據，以Python程式預處理數據並篩選出14項特徵參數：3軸最大加速度、3軸最大角速度與8條
肌肉的iEMG值，分類輸出結果為4種動作x2個時期x2種等級，共16種分類，採用7種機器學習分類器進行分類模型建置，最後計算模型準確率、召回率、精準度及F1評分以驗證分類模型的效果。結果：研究結果顯示，7種機器學習分類器的測試資料準確度介於71.43%~95.83%之間，以隨機森林演算法具有最佳的分類預測效果。結論：本研究結果顯示，透過記錄並擷取前臂的運動特徵參數，搭配隨機森林演算法可精準辨識不同擊球動作的差異，本研究所設計開發的數據處理和建模方法可為後續桌球專項技巧辨識提供實用的資訊。
深度學習應用於植保機器人之甜椒蟲害病徵影像辨識
為了解決axis z召回 的問題，作者傅冠翰 這樣論述：
在臺灣地區病蟲害所造成農作物損失在逐年增加，為了防治病蟲害、除草，在農藥用量方面，許多農民選擇提高農藥劑量，預期達到有效防治，但是衍生造成環境的汙染、作物農藥殘留和使用成本提高等問題，尤其是在農業設施內。減少臺灣地區的農民的農藥用量及病蟲害防治是需要被重視。本研究為解決上述問題降低農藥使用的植物保護機器人，改善在農業中施藥的環節，利用深度學習透過影像辨識取代專業病徵的辨識人員，降低從業的門檻 ; 利用六軸機械手臂(Universal Robots)與影像辨識(Faster R-CNN-Inception V2)系統精準達到病蟲害位置，減少不必要的農藥噴灑，以及降低農藥成本、改善環境汙染、有效
防治蟲害和避免人員受農藥侵害 ; 最後利用自走車進行施藥，達到減少勞力、增加施藥效率並減少時間成本。最後結果，在並交比(Intersection over Union ,IoU)為0.50，薊馬準確率由0.422提升為0.835，召回率由0.269提升至0.727；在螨類方面準確率由0.714提升為0.968，召回率由0.411提升至0.793。在IoU為0.75的情況下，比較薊馬與螨類蟲害，薊馬準確率0.047提升為0.733，召回率由0.325提升至0.733，準確率、召回率提升；在螨類方面準確率由0.258提升為0.932，召回率由0.485提升至0.897。