走在汽車革命的路上論文書籍站
國立臺北科技大學 機械工程系機電整合碩士班 吳明川所指導 廖瑋航的 以深度學習關鍵點檢測之3D物品姿態辨識 （2020），提出m.2 ssd螺絲ptt關鍵因素是什麼，來自於深度學習、關鍵點檢測、3D物品姿態辨識、物件辨識、卷積神經網路、機械視覺。
而第二篇論文國立臺灣科技大學 工業管理系 王孔政所指導 顏瑜君的 深度學習應用於角度計算之作業員智慧輔助系統 （2020），提出因為有 角度計算、動作辨識、深度學習、作業程序監控的重點而找出了 m.2 ssd螺絲ptt的解答。
以深度學習關鍵點檢測之3D物品姿態辨識
為了解決m.2 ssd螺絲ptt 的問題，作者廖瑋航 這樣論述：
摘要 IABSTRACT III誌 謝 V目錄 VI表目錄 IX圖目錄 X第一章 導論 11.1 研究動機 11.2 文獻回顧 21.3 研究方法與步驟 31.4 論文架構大綱 3第二章 系統開發環境 52.1 硬體設備 52.1.1 深度相機 52.1.2 電腦設備 52.2 深度學習軟體環境 6第三章 背景知識 73.1 何謂深度學習 73.1.1 物件辨識簡介 73.1.2 語義分割簡介 83.1.3 姿態估測簡介 83.1.4 卷積神經網路 83.2 多類別與多標籤任務 103.3 性能評估 103.4
相機校正 113.5 相機座標系 12第四章 物品無重疊之實驗結果與討論 144.1 物品姿態檢測簡述 144.2 訓練資料 154.2.1 標註工具與標註 164.2.2 資料增廣 204.2.3 對稱物品之資料增廣問題 254.2.4 資料增廣之訓練流程 254.3 關鍵點與分類檢測之神經網路模型設計 274.4 訓練過程與方法 314.4.1 減少訓練時間 314.4.2 梯度累加 344.4.3 混合精度 354.4.4 自我學習 354.5 模型輸出優化之相關演算法 364.5.1 閥值過濾 364.5.2 卡爾曼濾波
374.5.3 測試時資料增廣 374.5.4 取得三維關鍵點座標 404.6 實驗結果 414.6.1 超參數 414.6.2 最終參數訓練結果 484.6.3 神經網路可解釋性 504.6.4 關鍵點檢測與分類估測結果 534.6.5 三維關鍵點座標及夾取位置 544.6.6 三維關鍵點之誤差 574.7 演算法比較 584.8 結果與討論 59第五章 物品有重疊之實驗結果與討論 605.1 問題簡述 605.2 以冰棒棍之重疊為例 605.2.1 冰棒棍之物件辨識 615.2.2 冰棒棍之關鍵點估測 645.2.3 冰棒
棍重疊之實驗結果 705.3 以螺絲之重疊問題為例 745.4 多類別之重疊問題 795.5 結果與討論 85第六章 結論與未來展望 876.1 結論 876.2 未來展望 87參考文獻 89
深度學習應用於角度計算之作業員智慧輔助系統
為了解決m.2 ssd螺絲ptt 的問題，作者顏瑜君 這樣論述：
在產品組裝線上，由於作業員相較於機器而言擁有較高的適應能力，因此使人力工作站成為維持產線彈性的關鍵角色。然而，隨著組裝作業的複雜度提升，作業員亦須承受更重的認知負荷，進而提高產品品質受到人為疏失所影響的風險。其中一項常見的人為疏失，是當作業員以手持工具進行組裝程序時，使用不當的工作角度，而使產品品質受損，導致生產效率下降。對此，有必要建立相應的協助機制，用於提醒作業員調整不當的工作角度。基於上述，本研究提出一套角度監控系統，可應用於相關組裝程序中，且在最小化對作業干擾的前提下，檢測多種組裝工具的工作角度，並提供即時回饋。此系統的架構由兩個模型組成，分別為角度計算與動作辨識模型，兩者都是基於深
度學習中的物件辨識方法所建構而成。此外，本研究以高階顯示卡的螺絲鎖附程序作為個案來評估模型效率。研究結果顯示，角度計算與動作辨識模型分別可達到95.83%及99.83%的準確度。在實務應用上，本研究所提出的角度監控系統，透過即時且有效地預防角度相關的錯誤程序，可維持組裝品質的標準，並達成生產效率之提升。