工具間標示的問題，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

可愛無法擋!宅在甜點の羊毛氈Q萌小動物：松鼠小乙的草莓蛋糕卷【盒裝版】 (內含《羊毛氈教學書》+超值全材料包套組)

為了解決工具間標示的問題，作者HobbyEasy手作日和 這樣論述：

《宅在甜點の羊毛氈Q萌小動物》 × 羊毛氈超值全材料包套組 「松鼠小乙的草莓蛋糕卷」 材料工具一次到齊，打開立即戳， 完整影音教學，詳細彩色圖解，新手也能一次學會！ 　　在這個世界，大家都「喜歡甜點」，而且時時刻刻都要和甜點膩在一起，生活在這裡的動物們，外界統一稱呼為「甜粉」。 　　有一天，淘氣貓角角一不小心抓壞了自己的牛角麵包，出門採買時，發現一隻背著蛋糕卷，所以走得很慢的松鼠小乙，天性使得角角追了上去，就在飛撲到小乙身上的那一刻，小乙嚇了一大跳，鬆開了手，蛋糕卷就這麼彈飛了出去。 　　蛋糕卷正巧砸中汪星人歐文，歐文被這天外飛來的蛋糕卷嚇得不輕，也把手中的甜甜圈拋了出去，最後竟然

將奶油熊的水果塔砸壞了！這四隻動物的生活突然在這一天環環相撞在一起，後來的牠們又會擦出什麼火花呢？ 　　【松鼠小乙】 　　雖然是隻松鼠，卻有著像兔子的球狀尾巴，總覺得和自己的同類長得不一樣，所以天天黏在蛋糕卷旁邊，偽裝自己有大尾巴，生性愛哭，但是哭完就會重新振作，偶爾和同伴聚會才會吃橡果，最愛軟嫩多汁的草莓，房間的擺飾都是草莓圖案。 　　★可愛治癒！繪本×手作×食譜的驚喜結合 　　從角色&故事介紹，到羊毛氈戳刺、甜點教學，打造屬於自己的療癒時光。 　　★萌度爆表！宅在甜點の羊毛氈Q萌小動物 　　不管是淘氣貓、奶油熊、松鼠、汪星人等萌寵，或是牛角麵包、甜甜圈及草莓卷等甜點造型，每款

都讓人只想抱緊處理，絕對大受手作迷喜愛！ 　　★超貼心！隨書附羊毛氈原寸紙型 　　所有作品皆附有實際大小的紙型，照著戳零失誤，立即完成超Q萌羊毛氈小物。 　　★一學就會！完整圖解×影音教學 　　步驟圖看完還不夠？掃描QRcode看示範，讓手作更好學！更好懂！ 　　★呷甜甜！幸福甜點好食光 　　牛角麵包、甜甜圈、草莓卷及水果塔在家輕鬆做，為平凡的日子加點糖。 商品特色 　　【羊毛氈超值全材料包套組——松鼠小乙的草莓蛋糕卷】 　　松鼠小乙喜歡探索草莓口味的美食，是一位小有名氣的美食部落客。 　　專為初學者量身打造的羊毛氈體驗組，內含完整的材料及工具，以及QRCode全程示範影音教學，一打

開就能立即享受DIY手作樂趣！ 　　◆　進口高級純羊毛 　　特選柔軟手感極佳、好塑形的進口羊毛，柔軟又療癒的充分展現細節巧思。 　　◆　高質感金屬戳針×2支 　　嚴選羊毛專用戳針，適用於塑形、修飾，讓你的小動物更生動。 　　◆　羊毛氈專用工作墊×1個 　　高密度珍珠泡沬工作墊，2公分的厚度，可緩衝戳刺時的力量，防止戳針斷裂。 　　◆　全彩圖解說明書×1份 　　詳細步驟完整解說，清楚標示技法，立即掌握戳羊毛氈的祕訣與撇步。 　　◆　QRCode完整影音教學 　　從捲毛、戳刺、塑形到完成，全程影音示範，保證一看就懂。 　　※材料包套組內容物請以實際商品為準。  

工具間標示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

為了解決工具間標示的問題，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

可愛無法擋!宅在甜點の羊毛氈Q萌小動物：奶油熊愛吃水果塔【盒裝版】(內含《羊毛氈教學書》+超值全材料包套組)

為了解決工具間標示的問題，作者HobbyEasy手作日和 這樣論述：

《宅在甜點の羊毛氈Q萌小動物》 × 羊毛氈超值全材料包套組 「奶油熊愛吃水果塔」 材料工具一次到齊，打開立即戳， 完整影音教學，詳細彩色圖解，新手也能一次學會！ 　　在這個世界，大家都「喜歡甜點」，而且時時刻刻都要和甜點膩在一起，生活在這裡的動物們，外界統一稱呼為「甜粉」。 　　有一天，淘氣貓角角一不小心抓壞了自己的牛角麵包，出門採買時，發現一隻背著蛋糕卷，所以走得很慢的松鼠小乙，天性使得角角追了上去，就在飛撲到小乙身上的那一刻，小乙嚇了一大跳，鬆開了手，蛋糕卷就這麼彈飛了出去。 　　蛋糕卷正巧砸中汪星人歐文，歐文被這天外飛來的蛋糕卷嚇得不輕，也把手中的甜甜圈拋了出去，最後竟然將奶

油熊的水果塔砸壞了！這四隻動物的生活突然在這一天環環相撞在一起，後來的牠們又會擦出什麼火花呢？ 　　【奶油熊】 　　大部分的時間都很安靜，一開始不容易親近，熟了之後才發現牠其實非常多話，內心有一個小宇宙只和自己的朋友分享，討厭曬太陽，怕熱也怕自己會融化，因此不敢靠近瓦斯爐，卻練成了電鍋廚藝達人。 　　★可愛治癒！繪本×手作×食譜的驚喜結合 　　從角色&故事介紹，到羊毛氈戳刺、甜點教學，打造屬於自己的療癒時光。 　　★萌度爆表！宅在甜點の羊毛氈Q萌小動物 　　不管是淘氣貓、奶油熊、松鼠、汪星人等萌寵，或是牛角麵包、甜甜圈及草莓卷等甜點造型，每款都讓人只想抱緊處理，絕對大受手作迷喜愛

！ 　　★超貼心！隨書附羊毛氈原寸紙型 　　所有作品皆附有實際大小的紙型，照著戳零失誤，立即完成超Q萌羊毛氈小物。 　　★一學就會！完整圖解×影音教學 　　步驟圖看完還不夠？掃描QRcode看示範，讓手作更好學！更好懂！ 　　★滿足味蕾！幸福甜點好食光 　　牛角麵包、甜甜圈、草莓卷及水果塔在家輕鬆做，為平凡的日子加點糖。 商品特色 　　【羊毛氈超值全材料包套組——奶油熊愛吃水果塔】 　　奶油熊喜歡趴在水果塔上，假裝自己是甜點的一部分，呆萌的臉看起來總是在睡覺。 　　專為初學者量身打造的羊毛氈體驗組，內含完整的材料及工具，以及QRCode全程示範影音教學，一打開就能立即享受DIY手作樂

趣！ 　　◆進口高級純羊毛 　　特選柔軟手感極佳、好塑形的進口羊毛，柔軟又療癒的充分展現細節巧思。 　　◆高質感金屬戳針×2支 　　嚴選羊毛專用戳針，適用於塑形、修飾，讓你的小動物更生動。 　　◆羊毛氈專用工作墊×1個 　　高密度珍珠泡沬工作墊，2公分的厚度，可緩衝戳刺時的力量，防止戳針斷裂。 　　◆全彩圖解說明書×1份 　　詳細步驟完整解說，清楚標示技法，立即掌握戳羊毛氈的祕訣與撇步。 　　◆QRCode完整影音教學 　　從捲毛、戳刺、塑形到完成，全程影音示範，保證一看就懂。 　　※材料包套組內容物請以實際商品為準。  

台北車站室內導航尋路策略及介面型式之研究

為了解決工具間標示的問題，作者張晶雅 這樣論述：

尋路是人一項重要的能力，當我們在尋路的過程中遇到困難時，容易產生負面的生理與心理感受，室內尋路行為涉及水平與垂直的移動，相較室外尋路更加複雜。隨著科技發展，已有許多輔助尋路的導航工具運用於室內空間，而目前數位室內導航工具的介面型式主要以圖像式介面為主，然而隨著對話式介面的應用逐漸提升，卻較少見對話式介面型式之導航工具，因此本研究將探討尋路行為與介面型式應用於導航之影響，期望能透過本研究探討導航輔助工具更多的可能性。本研究實驗分為兩階段：(1) 前導實驗邀請四位受測者以口語描述路徑的方式，定義出指定路線中之關鍵地標，將實驗結果彙整出指定路線之路徑描述，並且建置出指定路線的導航內容，將其應用於第

二階段的驗證實驗 (2)第二階段的驗證實驗以3 (俯瞰式、路徑式、混合式) × 2 (介面式、路徑式) 的雙因子組間的實驗設計方式進行，邀請共 48 位的受測者以線上測試的型式，個別操作 6 項實驗樣本進行測試，並測量依變數：判斷方向錯誤次數、任務時間績效、系統易用性尺度量表 (SUS)、 NASA-工作負荷量表 (NASA-TLX)、地標記憶數量。實驗結果得知使用圖像式介面與對話式介面之導航工具對尋路行為皆無顯著差異，而採用不同尋路策略之尋路工具在跨樓層之室內環境會影響尋路行為，介面型式會對受測者採用尋路策略產生影響，若對話式介面型式之導航工具能具有更佳的介面設計彈性，則將能有助於提升導航輔

助工具應用於社群軟體上之聊天機器人的尋路表現。本研究提出之設計建議如下：(1) 路徑式尋路策略較適用於跨樓層的室內導航；(2) 對話式介面受限於平台的規格，其資訊呈現方式的彈性較小； (3) 樓層轉換可視為一個新的路徑起點，應在樓層起點以地標輔助重新定位；(4) 室內導航應提供足夠且精簡的導航資訊，而非越多越好。