瑕疵檢測模型的問題,我們搜遍了碩博士論文和台灣出版的書籍,推薦史考特.拉奧寫的 咖啡教父史考特烘豆實作聖經:超過300種烘焙機實戰經驗;掌握燃氣與溫升率、降低不良比,熟豆更臻完美 和周忠信的 AI思維:不需艱深技術,不用鉅額投資,任何企業都適用的進化關鍵都 可以從中找到所需的評價。
這兩本書分別來自方言文化 和商周出版所出版 。
國立陽明交通大學 光電工程研究所 田仲豪、黃中垚所指導 劉紹宇的 利用輕巧卷積神經網路之機器視覺於自動化紡織瑕疵辨識與定位 (2021),提出瑕疵檢測模型關鍵因素是什麼,來自於卷積神經網路、影像分割、織物檢測、瑕疵檢測。
而第二篇論文國立陽明交通大學 人工智慧技術與應用碩士學位學程 吳毅成所指導 吳士瑋的 應用於瑕疵檢測之深度 HDR (2021),提出因為有 瑕疵檢測、圖像比對、深度學習、高動態範圍成像的重點而找出了 瑕疵檢測模型的解答。
咖啡教父史考特烘豆實作聖經:超過300種烘焙機實戰經驗;掌握燃氣與溫升率、降低不良比,熟豆更臻完美
為了解決瑕疵檢測模型 的問題,作者史考特.拉奧 這樣論述:
暢銷書《咖啡烘豆的科學》進階實作篇! 咖啡教父史考特.拉奧鑽研6年實戰大作, 全球咖啡迷引頸期盼,最強烘豆聖經! 【特別收錄】臺灣版專序&訪談影片 ►每次進貨的生豆大小、形狀、含水率都不一樣,怎麼處理? ►烘焙曲線和參數如何設定?入豆與下豆溫度各是多少?何時應該降火避免失敗? ►烘豆時如何調節,最有利熟豆風味發展?如何有效提高烘焙成果的穩定度? 烘豆,決定了一杯咖啡的品質與風味! 更臻完善的烘豆技術,最能確保每顆咖啡熟豆的品質一致! 咖啡教父史考特.拉奧暨暢銷書《咖啡烘豆的科學》之後,再次推出進階實作篇。 本書專為咖啡烘豆熟手所寫,因此定位為咖啡
烘豆的「實作聖經」。 熟悉咖啡烘豆技術者,都已知烘豆機的基本部位、常見專有名詞, 同時對發展期比例(DTR)與豆溫上升率曲線(ROR),有稍微模糊但不陌生的印象。 書中企圖提供一個「有效掌握咖啡烘豆發展」的系統概念,同時盡可能將瑕疵減至最低。 咖啡烘豆者若確實掌握此最佳實務的各項要領,再加上一點點的練習,就一定能成功。 這套系統已在作者數百位顧客身上順利運作,其中許多都是全球最受景仰的烘豆師; 秉持開放心態接受這套系統,並付出時間與努力,即可習得更臻完美的烘豆實作經驗。 ★超過300種烘豆機實測,咖啡教父實戰經驗大公開 烘豆無疑是一門藝術,烘焙過
程中的各種細微調整, 將決定熟豆品質,並影響咖啡風味。 本書是世界咖啡三大權威之一史考特.拉奧,繼《咖啡烘豆的科學》後, 潛心鑽研6年,實際操作、測試超過300種烘豆機(比前作多出3倍), 並以數百份烘焙數據為基礎,經歷多次實驗、研究、品嘗與杯測, 又一次推出的集大成之作;提供每位咖啡烘豆熟手必備知識與關鍵技巧, 有效降低不良比,並維持熟豆品質一致。 史考特.拉奧說: 「此書是我的經驗結晶,希望在分享所學心得後,能對你們的烘豆技術有所助益。」 ★全面進階燃氣、控溫、氣流等知識與做法,在家烘出高品質咖啡豆 拉奧親自操作300台烘焙機,完善各種烘
豆機制與原理 本書共十九章,最初幾章討論烘豆所需的知識與硬體配件分析,並提出大師級的建議。 中間的章節則描述如何調整烘豆機、怎麼烘出穩定的成果,以及科學地分析烘焙曲線。 最後數章囊括許多進階概念,包括火力、烘焙曲線控制、熟豆品質管理及常見問答。 ►生豆處理:生豆的物理性質如何影響烘焙過程?尺寸、密度、含水率等又該怎麼看? ►進階烘豆教學:重新校定鍋爐每分鐘轉數、氣流設定、瓦壓、調整燃燒器等。 ►參數設定:鍋次豆量、入豆溫度、烘焙時間怎麼拿捏? ►曲線判讀:看懂烘豆過程中的發展期比例(DTR)與豆溫上升率曲線(ROR)等。 ►樣本測試:包含熟豆的外觀色澤、重量
逸失的判斷,以及烘豆完成後的杯測實作。 ►常見問答:數據曲線平滑、豆溫探針過粗、豆量差異過大、鍋間流程不一致怎麼辦? 讀完這本書,便能習得大師級的烘豆經驗結晶, 有效降低不良比、提升風味、穩定品質,在家烘出最優質的咖啡熟豆。 本書特色 ◎世界咖啡三大權威史考特.拉奧烘豆實戰大作,全球咖啡迷引頸期盼,最強烘豆聖經! ◎拉奧親自操作300台烘焙機,完善各種烘豆機制與原理,教你讀懂關鍵數據、圖表與曲線。 ◎大師級技法大公開,有效降低不良比、提升風味、穩定品質,在家烘出優質咖啡熟豆。 專業推薦 2020年外媒評鑑臺灣最佳咖啡館mojocoffee創辦兼主
理人、咖啡講師/陳俞嘉Scott 專文推薦 吳則霖/2020年世界最佳咖啡館Simple Kaffa共同創辦人、2016年世界咖啡師大賽冠軍 林東源/GABEE.創辦人、首屆世界咖啡大師比賽臺灣冠軍 劉邦禹/WCE世界咖啡杯測師大賽世界冠軍、WCE世界咖啡沖煮大賽臺灣冠軍 韓懷宗/《咖啡學》系列作者 專業推薦(按姓名首字筆畫排序)
利用輕巧卷積神經網路之機器視覺於自動化紡織瑕疵辨識與定位
為了解決瑕疵檢測模型 的問題,作者劉紹宇 這樣論述:
摘要............................................................iAbstract.......................................................ii誌謝...........................................................iii目錄...........................................................iv圖目錄.........................................
................vii表目錄.........................................................ix第1章 緒論......................................................11.1 研究背景與動機.............................................11.2 文獻回顧...................................................31.3 論文架構.....................
..............................4第2章 相關技術與原理..............................................52.1 深度學習...................................................52.1.1 發展歷史...................................................52.2 類神經網路(Neural network) ...............................82.2.1 類神經網路架構......
.......................................82.2.2 激勵函數(Activation function)............................112.2.3 神經網路運作流程...........................................142.3 卷積神經網路(Convolutional neural network, CNN)...........162.3.1 卷積層(Convolutional layer)..............................162.3.2 線性整流層(Recti
fied linear units layer, ReLU layer).....182.3.3 池化層(Pooling layer)....................................192.3.4 全連接層(Fully connected layer)..........................202.3.5 歸一化指數函數(Softmax function)..........................212.3.6 卷積神經網路總結............................................212.4 資料增強(Dat
a augmentation)...............................21第3章 瑕疵檢測方法................................................233.1 光學架構....................................................233.1.1 線掃描式相機...............................................233.1.2 視野範圍(FOV)............................................253.
1.3 線掃描頻率(Line scan rate)...............................263.1.4 影像傳輸介面...............................................263.1.5 編碼器.....................................................263.1.6 光源......................................................273.2 瑕疵檢測模型........................................
........283.2.1 分割網路(Segmentation network S).........................293.2.2 分類網路(Classification network C).......................313.3 分割指標(Segmentation metrics)............................333.4 分類指標(Classification metrics)..........................353.4.1 二元分類(Binary case)...................
..................353.4.2 多分類(Multiclass case)...................................38第4章 實驗結果與討論...............................................394.1 實驗架構與流程...............................................394.1.1 實驗架構....................................................394.1.2 實驗流程.................
...................................404.2 實驗結果.....................................................424.2.1 二元分類....................................................444.2.2 多分類......................................................474.3 模型通用性驗證................................................50第5章
結論與未來展望................................................545.1 結論.........................................................545.2 未來展望.....................................................54參考文獻..........................................................55
AI思維:不需艱深技術,不用鉅額投資,任何企業都適用的進化關鍵
為了解決瑕疵檢測模型 的問題,作者周忠信 這樣論述:
榮獲 110年度 經濟部中小企業處 金書獎 你不用會AI技術,只要換上AI思維 人工智慧(AI)不像物聯網和工業4.0那麼難以落實, AI的應用不需要太多配套,只要掌握 AI思維, 大中小型企業都能有感升級! 企業可利用AI單點突破、快速導入: ★行銷→區隔市場 ★製造→提升良率、改善品質; ★業務→預測需求 ★人資→增強員工能力、預測離職率…… 不論製造、設計、家電或運輸業,都能用AI加速發展! 許多企業領導人對人工智慧(AI)的應用仍在觀望,擔心可能要重新改造整個組織才能落實,或不清楚AI能提供何種幫助。 周忠信教授認為,跟工業4.0、物聯網等新科技相比,AI在各種應用上
可以單點突破,不需太多配套。AI不止能處理複雜、大規模的問題,也能對營運的細部功能提供協助,無論是在行銷、製造、業務或人資等領域。 本書以大量實際案例說明,企業主管並不需要去學AI技術,但是一定要改變原有的慣性思考模式,改以AI思維來面對問題與挑戰。同時,作者以最淺白的文字介紹AI的五種能力、四層智慧程度,與三類學習方式,藉由「AI的543」帶領讀者全面了解人工智慧。 今日,人類必須結合AI,發展「AI孿生」(AI twin),展開第二次進化。「AI孿生」是我們在網路世界的AI夥伴,能讓人類擁有超級大腦——Because AI (Artificial Intelligence), be
comes AI (Augmented Intelligence).——「因為人工智慧,從而擴增智慧」,AI能幫助企業主、主管與員工完成許多以前無法完成的任務。 AI正以迅雷不及掩耳之速席捲所有領域,對個人與企業而言,換上AI思維已是刻不容緩之事。 ★專文推薦—— 孫藹彬/鼎新電腦、鼎捷軟件創辦人 劉克振、楊瑞祥博士/研華科技董事長、技術長 ★智慧推薦—— 王慶華/台灣引興股份有限公司董事長 吳天勝/漢翔航空工業股份有限公司研發長 吳樹曜/明曜國際健康科技股份有限公司董事長 李健勳/財團法人精密機械研究發展中心副總經理 沈柏延/中華民國資訊軟體協會理事長 邱瑞堂/大苑子開發股份有限公司
董事長 劉品辰/鉅虹建設股份有限公司董事長 賴通仕/美溪機電工業股份有限公司董事長 (依姓名筆畫排序)
應用於瑕疵檢測之深度 HDR
為了解決瑕疵檢測模型 的問題,作者吳士瑋 這樣論述:
此篇論文提出一種新的損失函數來訓練合成高動態範圍成像之深度學習模型。以這一種訓練的合成模型的方法,目的是合成瑕疵檢測模型適應的相片風格以提升瑕疵檢測模型之效能。在現有的高動態範圍成像合成函數,大部分較符合人類視覺之應用。雖然套用現有的高動態範圍的合成模型結果作為目標模型的輸入,但是卻未必能有效提升瑕疵檢測模型(目標模型)效能。應用深度學習技術時,訓練模型往往會需要大量特定需求的訓練資料,模型成果也會受限於訓練資料的品質以及類型。為此,我們藉由計算類神經網路相似度的方法,使得訓練出的合成模型亦不受限於特定訓練集,免去了合成模型應用於新的瑕疵檢測模型時所需要另外蒐集的特定訓練集的步驟。在訓練深度
學模型時,我們往往會藉由資料標註、參考輸入與輸出結果來引導模型訓練方向。本文的目的是合成瑕疵檢測模型適應的相片風格以提升瑕疵檢測模型之效能,但是實務上我們並不能清楚知曉何種相片風格是瑕疵檢測模型偏好的相片風格,因此使用現有的高動態範圍成像之深度學習模型的資料收集訓練方法是無法滿足本文目標。為此,我們提出的損失函數能屆由類神經網路相似度方法更新合成網路以達到本文目標。在本文實驗中,將合成模型實際應用在外觀檢測流程,顯示本文的合成模型可以有效提升檢測模型的實驗效果外,並總結出在 11 種場景下平均提升 20 % 以上的效果於 f1-score AUC ,以及平均提升 10 % 於 MCC scor
e AUC 。