走在汽車革命的路上論文書籍站
中央警察大學 資訊管理研究所 鄧少華、董正談所指導 劉佑榆的 智慧型監視系統之研究-以取締機場違規載客為例 （2020），提出gopro 11錄影時間關鍵因素是什麼，來自於智慧型監視系統、科技執法、深度學習、推播。
而第二篇論文大同大學 資訊工程學系(所) 謝禎冏所指導 洪瑋宏的 基於YOLOv4應用的軌道缺失扣件偵測 （2019），提出因為有 雲端辨識服務、即時辨識、深度學習、影像辨識、軌道安全的重點而找出了 gopro 11錄影時間的解答。
gopro 11錄影時間進入發燒排行的影片
由於當時飯店規劃的關係，以至於當天下午我就要離開拉斯維加斯，前往舊金山了。
而多出來的這上半天，當然得好好利用這時間，見見CES的最後一面！
在逛展場、搭飛機的途中，是否都能一切順利？
我在舊金山的旅程，又會如何展開呢？
============================================
透過我的專屬連結與折扣碼購買“犀牛盾RhinoShield”之產品，即可獲得9折的優惠哦，快來體驗犀牛盾的強大吧~
專屬連結：https://url.rhinoshield.tw/ytlinzin
專屬折扣碼：ytzin2004
============================================
成為我的會員吧！
https://www.youtube.com/channel/UC0oosHZ4k1o-zNT21gg5O7A/join
追蹤一下嘛：
YouTube: https://goo.gl/LCCLWt
Facebook: https://goo.gl/rWEuzA
============================================
此部影片使用的BGM：
Clouds by Joakim Karud
Great Days by Joakim Karud
============================================
錄影設備：GoPro Hero 8、iPhone 11 Pro、Samsung Note10（拍照用）
麥克風：Blue Snowball
後製軟體：Adobe Premiere Pro CC 2021
============================================
聯絡信箱：[email protected]
有任何疑問可透過影片下方留言或FB私訊告訴我哦~
智慧型監視系統之研究-以取締機場違規載客為例
為了解決gopro 11錄影時間 的問題，作者劉佑榆 這樣論述：
隨著時代的演進，以及科技日趨進步下，攝影設備(例如：路口監視器、居家監視器、手機錄影、行車紀錄器、運動錄影機、空拍機…等)可說是隨處可見，透過數位化的處理，可將影像紀錄儲存於硬碟、記憶卡、光碟，甚至是雲端中，如今，數位影像對於違規、違法行為的現還原都是不可獲缺的利器。電腦設備中軟、硬體技術的提升，且購買成本也比以往降低許多，再加上網際網路的普及化，人們對於3C產品的依賴程度，可說是寸步不離，這也使得數位資料(例如：圖片、文字、影片等多媒體資料)量呈現倍數增加，讓人工智慧(Artificial Intelligence, AI)又重新掀起熱潮。深度學習是現今人工智慧進步最迅速的領域，它利用類神
經網路(Artificial Neural Network, ANN)做為基礎，透過多層感知器的卷積運算，提取更多圖像裡的特徵資訊進行學習，使電腦容易從實體中來學習任務，以達到更精確的辨識效果。現行交通執法科技設備，除了闖紅燈超速照像外，也有針對違規停車、跨線行駛、車牌辨識等智慧型監視功能，這些設備及技術均已相當成熟，能有效地嚇阻違停亂象、杜絕駕駛人僥倖違停的心態，亦能大大減少警力耗費及員警執勤的負擔。桃園國際機場入境大廳內一直存在違規攬客的現象，長久以來都影響著航廈內的秩序，不過機場內設有密集的監視設備，隨時監視著航廈內的秩序，故本研究即在探討如何利用現有設備及結合成熟的人工智慧科技(車牌辨
識系統、人臉辨識系統、人類行為辨識系統)，打造一個智慧監視系統，再將警示的資訊即時推播給線上執勤人員，來協助員警更有效地取締違法業者，以維護機場秩序。
基於YOLOv4應用的軌道缺失扣件偵測
為了解決gopro 11錄影時間 的問題，作者洪瑋宏 這樣論述：
台灣鐵路作為串連整個島嶼人力與物力的重要基礎建設，每公里的鐵路具有1500到1800根枕木，基礎的扣件(固定軌道與枕木的元件)每根枕木上有4個，即為每公里有6000到7200個元件需要檢查，現行的方式幾乎所有安全檢查都以人力進行，且基於安全因素，人力巡檢的時間為無客車運行的半夜，受限的夜間視野與長時間的單調工作導致的精神疲乏使得巡檢效率不彰，為改善此一現狀，需要自動化的軌道安全狀況辨識系統，將人力集中到真正只能由人類處理的部分，相較於人類的反應速度，高速攝影機的效能使巡檢能夠以更加高速的行駛速度進行，而深度學習的影像辨識技術則可以提供近似於人類的軌道安全狀況判斷。本研究目的為透過深度學習影像
辨識技術辨識移動環境下的軌道扣件狀況。基於目標檢測網路之YOLOv4，測試於夜間且移動中物件被檢出的可行性。在解析度416*416下使用7300張相片進行訓練後，並於測試集中的824張相片辨識結果中達到了91.52%的mAP、86%的召回率、84%的準確率，以及 FPS:53.6的辨識速度。本研究亦以辨識結果為基礎建置兩種系統運作模式，分別為雲端服務模式以及本機即時辨識模式；使用者上傳拍攝的影像後，系統自動依據影像資訊產生辨識結果，包括逐幀的物件辨識結果、缺失地點列表與回放原始影片功能。此外因應台鐵端的業務需求，本研究系統亦設計使之能自動將GPS座標轉換為百公尺樁(台鐵內部里程標記)，同時提供
人性化的地圖檢視模式；另在本機即時辨識模式中，則設計讓工程人員進行巡檢時，系統便能以即時辨識模式自動辨識巡檢車下方的軌道扣件狀況，維護人員不再需要長時間注視著軌道，只需在系統通知出現時，進行複檢並處理即可，除了GPS外，本研究亦使用速度計、陀螺儀與加速度計等感應器修正GPS偏移問題，將GPS定位座標與實際座標的差異最小化至3-5公尺內，並同時提供GPS訊號受到干擾時的輔助定位與校正(如隧道內)。本研究最終在3.5公里長的測試路段進行系統評估。以往人工以5公里的時速完成巡檢時，僅能找出52個缺失，而本系統能以30公里的時速找出人工巡檢列表上的46個缺失，除此之外，還再額外找出7個人工沒有找出來的
缺失扣件；除此之外，本研究亦以其他地區所拍攝的軌道影像測試本系統的泛用性，結果顯示在台鐵另外4個地區，共11個影片(時長約120分鐘)，的辨識結果中達到了平均86%的準確率。以上證明了本系統在找出缺失扣件上已有與人相當的能力，且效率更好。