公制的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

圖解熱力學

為了解決公制的問題，作者李適 這樣論述：

　　熱力學長久以來一直是大學部理工科系之主要課程，也是工程上極為重要之基本科學，更是許多公職考試、國營事業招考以及各類證照取得之必考科目。因此，本書從清晰簡潔之角度切入講解熱力學的主要架構及其內涵，並配合圖文生動的說明，使讀者在研讀此書時，極易掌握熱力學之重要基本原理與主題，並能條理清析地進一步理解其中之物理意義。   　　本書涵蓋熱力學有關之全部基本原理及其工程上常見之應用，為讀者在研究應用熱力學至各種專業領域之過程中，提供足夠的理論基礎與準備。此外，本書也納入許多不同類型考試之試題範例，希望能幫助到更多在學學生，使其在閱讀本書後能應用熱力學之基本知識及定理將理論與實務結合，同時也能幫助

到更多在準備各類考試的考生，使其在閱讀本書後能在考試中迅速破題，解題過程得心應手，無往不利。

公制進入發燒排行的影片

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決公制的問題，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

圖解治具設計

為了解決公制的問題，作者西村仁 這樣論述：

活用治具迅速、確實、簡單的操作性，重新定義完美CP值 世界第一日本上市公司生產技術專家的治具設計實務 選擇5,000日圓的測微頭，比選擇200日圓細牙螺絲的CP值更高？ 作業環境太亮、太吵，一秒鐘而已的瞇眼和分心，無所謂嗎？ 治具是輔助生產製造時定位及固定物件不可或缺的工具。治具設計小至活用生活中隨手可得的物品、大至因應精密機械所需開發特製， 透過優化治具構造和作業流程標準化，以強化工作現場作業效能，提高良率、滿足經濟效益。  作者西村仁擁有東證上市公司村田製作所21年的生產技術部門經驗，除了開發、導入新設備等工程設計和改善的豐富實務經驗；亦曾擔任日本經濟產業省專案小組成員和中小企業廳

委員，熟稔產業前緣；本身擁有多項專利。本書以其融合多年產、官、學經驗和優勢，將教科書上不會觸及的治具設計實務、疑難和解決方法，凝縮成本書精闢實用的內容。不僅是現場操作工程師必備的實務指南，也是加工、組裝、調整、檢查等作業環節建立共同認知的實用參考書。 本書內容特色： ‧超過200張圖表輕鬆理解：各種定位示意圖、數據範例圖表、分類圖、尺寸公差表、機械構造解構圖 ‧「先定位再固定」實務案例解析：矩形（端面基準、孔基準、底面基準）、圓形（側面基準、孔基準）共12種定位方式。機械式固定法（活用市售品如夾鉗，或逃溝加工等加工法）和真空吸引固定法。 ‧統整測量儀器，確保製造品質：8種類5構造的運動導引零

件（平面運動、往復直線運動、旋轉運動）、10種直接與間接測量儀器 ‧囊括機械設計和作業設計兩大必備知識：工業標準、材料規格特性、螺絲活用、作業流程標準化、改善製程、設計堅固治具的訣竅   ★日本讀者這樣說 「書中舉了很多真實案例，在實際設計時提供非常大的提示和幫助。」 「很多現場工作知識是學校學不到的，很珍貴。用圖表描繪機械結構和零件使用方式，一目了然。」 「清楚介紹不同形狀的具體定位案例和設計技巧，尤其螺絲的章節，解決很多實際工作上的疑惑。」

電動輔助自行車中置系統之馬達座鎖固系統設計

為了解決公制的問題，作者陳士正 這樣論述：

電動輔助自行車中置系統在騎乘的過程中，自身重量和踩踏力所產生的剪力與彎曲力矩會透過曲柄、心軸及馬達殼體傳遞到馬達座上，因此固定馬達與馬達座的螺栓就會承受較大的負載，在不考慮螺栓規格的情況下當螺栓的固定位置不佳時，將會使負載過度集中於少部分螺栓，導致螺栓承受大於其材料疲勞強度的負載而損毀，為了觀察在騎乘時各螺栓所承受的負載，利用 TBIS 15194 之 4.3.7.4 車架-踩踏力疲勞測試做為標準，找出能讓各螺栓平均承受負載並低於疲勞強度的螺栓配置。本論文先參照市售的電動輔助自行車產品，並利用 3D 繪圖軟體繪製出具有馬達座的車架實體模型及市售相同規格的螺栓模型，其中包含螺栓、被緊固物件及具

有內螺紋之物件，並利用 ANSYS 先對螺栓模型進行網格劃分、材料設定及約束條件設定，其中緊固力大小依照螺栓標準 ISO 16047 找出在內螺牙材質的安全負荷強度內所能承受的緊固力施加於螺栓上，再將車架實體模型依照踩踏力疲勞測試標準進行初始條件及約束設定，馬達座螺栓固定位置則利用上述步驟所得到的網格劃分與約束條件設定進行踩踏力疲勞測試模擬分析，並以低於其材料疲勞強度作為判斷依據，最後利用實驗設計的反應曲面法將各螺栓位置做為控制因子，並透過 Design-Expert 最佳化分析軟體對其進行最佳化實驗規劃，依照規劃出來的各螺栓配置利用過 3D 繪圖軟體建立出不同螺栓配置的車架實體模型，再將各實

體模型匯入至 ANSYS 中並依照上面所述之步驟進行踩踏力疲勞測試模擬分析，最後將分析的各實驗結果利用 Design-Expert 最佳化軟體求出主效應與因子之間的交互作用並找出最佳的因子組合與最佳化分析結果，將得出的最佳組合匯入至 ANSYS 進行分析並利用其結果驗證最佳化分析結果是否正確。本論文透過上述所說明的方法能夠找出馬達座所需的螺栓數量以及在不考慮螺栓規格的情況下能使各螺栓能夠平均承受應力大小的配置，設計出符合結構所需的螺栓配置。