動態視覺的問題，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

快速精通iOS 15程式設計：從零開始活用Swift與SwiftUI開發技巧

為了解決動態視覺的問題，作者SimonNg 這樣論述：

　　作者分享多年來的iOS開發經驗，並集結廣受歡迎的iOS教學文章，以SwiftUI框架重新編寫，精心設計出30個章節。由基礎入門開始，逐步實作出具有精美UI及實用功能、支援雲端資料傳輸與深色模式的「FoodPin」App，而且「FoodPin」App完全支援新推出的iOS 15以及iPhone 13/13 Pro、iPad Pro。 　　本書首先介紹Swift語言的觀念，再教導你使用Swift與SwiftUI建立你的第一個App，然後你會學到規劃App的原型，並且本書每一章中會針對iOS開發的各個面向提供提示、技巧以及許多需要親手操作的作業，最後你可以從無到有來開發出一

個真正的App。本書也會教導你如何使用Xcode來佈局使用者介面，並熟悉iOS 15 SDK的基本API，跟著本書的內容學習，將可獲得真實開發App的體驗，且打好Swift程式語言的基礎，掌握住程式開發的訣竅。 　　本書是為了Swift與iOS程式設計的初學者而撰寫，不論你是想學習新程式語言的程式設計師，或是想要將你的設計轉換為iOS App的設計師，這本書絕對是你的首選。 　　【本書精采內容】 　　✪Swift基礎介紹。 　　✪利用Playground快速學習Swift。 　　✪使用Swift與SwiftUI從無到有打造第一個App。 　　✪學習App原型設計與前置規劃。 　　✪建立Ap

p與SwiftUI的常用元件。 　　✪了解堆疊視圖建立自適應UI。 　　✪設計適合所有螢幕尺寸的App，讓UI相容最新的iPhone 13/13 Pro與iPad Pro。 　　✪設計導覽列大標題。 　　✪自訂表格視圖儲存格來打造更優美的App。 　　✪學習自訂清單視圖。 　　✪運用導覽視圖。 　　✪了解物件導向程式設計。 　　✪建立動畫與視覺效果。 　　✪使用相機與相片庫。 　　✪運用地圖並學會最新的標註功能。 　　✪使用搜尋列做關鍵字搜尋。 　　✪建立導覽畫面來讓使用者迅速熟悉App。 　　✪使用Searchable加入搜尋列。 　　✪在App嵌入瀏覽器與網頁視圖。 　　✪運用使用者通知來

提升App黏著度。 　　✪運用觸覺觸控及內容選單。 　　✪儲存資料至資料庫。 　　✪整合運用CloudKit。 　　✪App多國語系化。 　　✪在實機上部署與測試App，並且學會WiFi部署功能。 　　✪使用TestFlight安排Beta測試。 　　✪在App Store上架你的App。 本書特色 　　從零開始掌握最新推出的SwiftUI框架與開發技巧 　　快速強化你的iOS App開發實戰能力 　　逐步實作出具有精美UI、實用功能及支援雲端資料傳輸的「FoodPin」App 　　♚使用Xcode 13 & iOS 15 & Swift 5.5開發 　　♚了解最新版Xc

ode開發工具 　　♚使用清單視圖、堆疊視圖設計UI與深色模式 　　♚快速學習Swift App程式編寫、物件導向與SwiftUI程式設計 　　♚運用Core Data與CloudKit存取資料 　　♚使用地圖與相機 　　♚實作動態視覺效果 　　♚開發使用者通知 　　♚App本地化 　　♚App測試與上架程序 好評推薦 　　「去年暑假時，我沒有錄取高科技公司的實習機會，因此我選擇購買了本書，並利用整個暑假期間學習SwiftUI，我很快就學會了，這本書真的超棒。我已經製作了好幾個App，Receipted是我第一個在App Store上架的App。當我今年我再次開始參加實習工作的面試時，我展

示了自己做過的SwiftUI App，結果獲得八家公司的實習機會！」— Hunter Kingsbeer 　　「我開發iOS App至今大約一年的時間，這裡非常感謝AppCoda團隊，我購買Swift一書後，快速增強了我的生產力，並瞭解了整個Xcode與iOS的開發程序。所學到的比起我在決定購買使用AppCoda的書籍之前，花了許多時間透過在StackOverflow與Github搜尋學習來得多。所有的資訊都會更新且精確，內容易於閱讀與遵循，書中所用的範例專案也非常棒，我強力推薦此書，若是你想要開始快速學習Swift的話，不用再等了。」—David Gagne，Bartender.live作

者 　　「這本書寫得非常好，簡潔有力，書中的範例非常棒且貼近真實的應用，幫助我完成第一個App，並於App Store上架，內容給我許多進一步強化與更新App的想法。我將它作為我的參考指南，也很感謝每當Swift與iOS有做變更時，都能收到更新。」—David Greenfield，ThreadABead作者 　　「多年來，我一直在尋找良好的學習資源，來幫助我加強App的開發技巧。而這本書真的拯救了我，這是我寫程式十年來所讀過的書中，說明得最好的一本，內容容易理解，且切中所有要點。說再多的謝謝，都不足以表達我對於作者撰寫本書的感激之情。」—Eric Mwangi 　　「有見解、實用與學習

動機。這本書充滿知識性與有深度的主題，書中對於iOS開發的各個面向提供了提示與技巧，並鼓勵學生 / 讀者能夠持續往前，不會害怕去深入理解觀念，真的是太棒了！」—Moin Ahmad，Guess Animals作者 　　「這本書教導我們如何建立我們想要的App，書中的內容規劃得很好，每一章的篇幅拿捏得恰到好處，不會太過冗長而無法消化，想要學習開發第一個App並進階學習的話，我強烈推薦這本內容超棒的好書。」—Stephen Donnelly，Rascalbiscuit總監 　　「這是我最初在學習Swift時所找到的學習書籍之一。作為一個初學者，這本書非常容易學習與理解。整本書以貼近真實生活的範

例來建立App，這種學習方式真是太天才了，最後也能夠實用它。我學習了很多，也運用了很多其中的內容於我的App中。我發現我會常常會回去參考此書，這真的是一本很棒的作品。」—Bill Harned，Percent Off作者

動態視覺進入發燒排行的影片

羽球視覺訓練系統建構與測試

為了解決動態視覺的問題，作者侯展承 這樣論述：

　　目的：現今羽球教練訓練選手大多透過多球訓練或選手多打一的方式來提升選手各在羽球方面技術的能力。為能幫助教練及選手進行更簡單且有效的訓練，本研究以運動視覺為依據，研發一套可在羽球的專項多球訓練中，模擬擊球目標區、對手站位及實際比賽情境之視覺訓練裝置。訓練裝置主要元件為1組LED燈控制盒及6盞LED燈。　　方法：本研究以高中青少年羽球單打選手為研究對象（實驗組N=16，控制組N=16），實驗組透過此羽球視覺訓練系統介入訓練後，再以ATHLEVISION運動視覺檢測軟體（ASICS Corporation, Japan）進行檢測，再將所得之資料以混合設計二因子變異數分析（mixed desig

n tow-way ANOVA）進行考驗，若交互作用有顯著，則以單純主要效果進一步考驗。　　結果：結果發現實驗組之選手經介入訓練後，在各項運動視覺能力檢測中，在動態視覺銳度-下、眼球運動、周邊視野與瞬間視覺結果皆呈現顯著的訓練成效。

FOOD超人飛鏢吸盤黏黏球組

為了解決動態視覺的問題，作者風車編輯群 這樣論述：

飛鏢、黏黏球兩種玩法一次滿足， 訓練兒童手眼協調與強化運動智能！ 　　FOOD超人飛鏢吸盤黏黏球組為兒童健身型教具，含有2支吸盤飛鏢、1顆黏黏球、以及2個手持標靶，讓孩子只要擁有一組，就能一次享受丟球、射飛鏢、接球等多種不同遊戲體驗。 　　手持標靶使用可調式背帶，可完美符合兒童小手並適時做調整，配戴穩定又好玩。黏黏球與飛鏢採用安全材質，前端是吸盤並無尖銳處，孩子使用起來更安全、家長更放心。 　　家長可在旁協助並與孩子一同遊玩，在遊戲過程中訓練孩子手臂肌肉發展，同時鮮豔的顏色也能刺激孩子視覺發展、並學習處理精細肌肉的靈活度，不僅增強孩子的體適能，同時也能強化兒童的運動智能！ 　　1.

    可調式手持標靶──精選可調式手持標靶背帶，專為兒童小手量身訂做，可配合兒童手掌調節大小，使用更穩定放心。 　　2.    吸盤飛鏢黏性佳──附有兩支吸盤飛鏢，前端使用吸盤設計，使孩子安全且輕鬆體會射飛鏢的樂趣。 　　3.    黏黏球多種玩法──另附一顆吸盤黏黏球，吸盤黏性佳，讓孩子能體會不同的玩法，擁有一組，多種玩法一次滿足。 　　4.    家庭遊戲可多人遊玩──支援兩人以上同時遊玩的家庭遊戲，促進親子間的互動關係。 　　FOOD超人可愛造型──FOOD超人的可愛造型陪伴孩童一起遊戲、運動，讓孩子健康快樂成長每一天！ 　　★強化肌肉發展── 　　孩子在遊戲時能促進手、腳的小肌肉

與大肌肉發展，同時會使用更加精細的動作做射擊與傳接的動作，強化孩子肌肉發展。 　　★刺激動態視覺── 　　孩子擲飛鏢、丟黏黏球時，同時會注意標靶位置，可刺激孩子的動態視覺能力。 　　★強化運動智能── 　　FOOD超人飛鏢吸盤黏黏球套組為兒童健身型教具，多種投擲、傳接的玩法能強化孩子運動智能，同時提高體適能力。 　　★促進親子家庭關係── 　　家長可以陪伴孩子一同玩耍，促進親子之間的家庭關係！  

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決動態視覺的問題，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