R語言 eigen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

應用深度學習技術作基板缺陷檢測之研究

為了解決R語言 eigen的問題，作者游祿凱 這樣論述：

隨著人工智慧（Artificial Intelligence；AI）興起與發展，主導著未來趨勢，生活中到處可見電子產品，然而內部零件之焊接處，會影響著產品品質優劣，因此檢驗就顯著相當重要，這階段檢驗還是避免不了人工目視檢查，針對焊接點察看或是有接觸不良、錫橋、立碑、缺件、歪斜和損毀等情況，長時間檢查下來會容易造成眼睛負擔，導致誤判情況。為了改善上面所發生的問題，本研究透過深度學習(Deep Learning)對資料與圖像進特徵學習，利用建立網路架構與演算法計算，使機器之判斷與思維接近我們預設之目標，幫助作業流程檢測與製程更加快速及便利。以OpenR8軟體協助完成此項實驗，採用卷積神經網路（C

onvolutional Neural Network；CNN）為原理，利用Caffe建立與軟體溝通橋梁，針對PCB電子零件影像進行瑕疵檢驗，透過SSD(Single Shot MultiBox Detector)架構使機器訓練更有效率與精準，並分析瑕疵種類幫助品檢人員在生產線上進行篩檢，有效降低漏失率(Underkill rate)與誤判率(Overkill rate)以達到本研究之目的，後續也可以透過瑕疵品進行製程能力分析找出相關問題並克服與改善。依照實驗結果及實務測試，兩種演算比較之下， SSD學習框架明顯在各方面評估指標都優於ResNet演算法，此模型準確率高達97.3%誤判率僅2.7

%，且並無產生其漏失情況，僅有部分少辨識及誤判之結果，後續可透過學習計畫將誤判特徵加入下次訓練中以增加模型記憶，修正其模型辨識能力，導入AI之優勢便可依照其AI分析師與品管人員進行分析決策，透過生產記錄瑕疵回傳等系統流程，逐漸改善修正，提升整體競爭力。