ar技術原理的問題，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

下一站，元宇宙：穿越遊戲×客串電影×模擬戰鬥，秀才不出門，也能體驗天下事!

為了解決ar技術原理的問題，作者易盛 這樣論述：

不光是視覺、聽覺，甚至連嗅覺、味覺也能一併掌握？ 當進入元宇宙的那一刻起，你便踏入了穿越的世界！ 看電影時老是有小屁孩在後面踹椅背，觀賞體驗極差？ 有了VR，你可以自在和人語音連線，再也不受干擾／干擾旁人！ 打仗不再是紙上談兵，逼真的模擬訓練彷彿置身於戰場； 3D數位化設計縮短軍武研發週期，更節省了研發費用！ 本書透過全方位的解讀向讀者展示VR的當前發展和未來趨勢， 提前讓讀者感受新興科技帶來的震撼體驗！ 　　【VR概念】 　　．什麼是虛擬實境（VR）？ 　　1980年代初，美國VPL公司的創建人杰倫·拉尼爾（Jaron Lanier）提出相關概念，VR是一門綜合利用電腦圖形系統和

各種實景及控制等介面設備，在電腦上生成的、可互動的、在3D環境中提供沉浸感覺的技術。 　　．虛擬實境三大特點 　　▎沉浸感：VR透過接近人類視角的頭戴式螢幕設備、頭部及動作追蹤技術，讓使用者真正感受到虛擬環境的氛圍。 　　▎互動性：在VR的世界裡，你可以直接用手去觸摸你所感興趣的物體，包括場景中物體的觸感、重量等，你甚至可以讓它隨著你的手移動、擺放它的位置。 　　▎想像性：人們可以在VR的世界裡盡情研究，結合想像主動地探索和接收資訊，不必擔心出現實驗資源匱乏和經費等問題。 　　【VR發展史】 　　．虛擬實境發展四大階段 　　第一階段：模糊幻想階段（1963年以前） 　　第二階段：技術的萌芽

（1963～1972年） 　　第三階段：概念和理論的初步形成（1973～1989年） 　　第四階段：理論的完善和全面應用（1990年至今） 　　．擴增實境（AR）：無縫整合真實世界和虛擬世界的資訊 　　．中介真實（MR）：數位化現實＋虛擬數位畫面 　　．影像實境（CR）：讓虛擬實境效果呈現出宛如電影特效的逼真效果 　　【VR技術】 　　．三類建模技術原理：多邊形建模、NURBS建模、細分曲面技術 　　．六種常見建模軟體：3ds Max、Softimage XSI、Autodesk Maya、Blender、Virtools、Vega 　　如何建模才能確保場景運行流暢？如何簡化參數又不使畫面

失真？ 　　本書將針對三類技術原理、六種建模軟體為您做詳細解說！ 　　【VR應用】 　　．遊戲：射擊遊戲《Bullet Train》、沙盒遊戲《當個創世神》、各種手遊等等，同時跨足電競領域。 　　．電影：「互動式電影」讓你不再只是看電影，而是「演」電影！ 　　．教學：改變傳統的單向資訊傳遞方式，使師生產生雙向交流，激發學生的學習興趣。 　　．軍事：除了實戰模擬以外，還能進行軍醫訓練、徵兵活動，提升年輕人的從軍意願。 　　其他還有醫療、旅遊、社交、購物等等，幾乎囊括生活各方面，請隨同本書來一場VR模擬器體驗！ 　　【VR市場】 　　想開一間VR體驗館，該注意哪些事情？ 　　從選址、設備、定

位到整體營運，本書手把手帶你成立屬於自己的VR體驗館！ 本書特色 　　本書主要介紹時下非常熱門的虛擬實境行業。從近年虛擬實境的技術發展來看，可以預見虛擬實境在未來3～5年將成為像手機一樣的熱門領域。本書以概念普及為主，透過介紹虛擬實境的歷史背景、當前現狀、熱門應用、未來趨勢等，向對此行業感興趣的讀者綜述虛擬實境的發展，揭開虛擬實境的面紗。  

ar技術原理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ar技術原理的問題，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

國營事業「搶分系列」【電腦常識(電子計算機概論)】(篇章結構完整‧題庫內容超豐富‧收錄十多年數十回考古題)(11版)

為了解決ar技術原理的問題，作者陳啟豐,倉持修 這樣論述：

　　☆國營事業一本兼用☆ 　　☆最新試題完整精解☆ 　　☆內容紮實考點盡顯☆ 　　【本書架構】 　　Part 1：內容整理，針對電腦常識（電子計算機概論）重點餒容做說明，帶領讀者洞悉命題重點。 　　Part 2：模擬試題及解析，設計3回模擬試題供考生大量練習之用。 　　Part 3：中油、台糖等相關考試歷屆試題解析，大量收錄國營事業考試相關試題共23回，供考生參考之用。 　　Part 4：自來水公司歷屆試題解析，收錄多年自來水試題，考生可藉此觀摩參考。 　　Part 5：全真模擬試題演練，特設計2回全真模擬試題，供考生考前深化實力。 　　【學習心得】 　　1.建議熟讀本

書內容，最好能搭配原文書，將相關的公式與原理重新閱讀過。最好能搭配學校所用的教科書一起閱讀，以達事半功倍之效。 　　2.原理與公式都熟習後，一定要自己動筆練習，一開始盡量先練習典型而且解答詳實的題目，切記！解析只用讀的而不動筆，一定無法發現自己盲點所在。 　　3.必須要實際熟悉一些文書軟體和微軟作業系統的操作，如WORD、EXCEL等等，依照考古題所示會有這類型題目，所以除了本書所提供一些文書軟體常用的操作外，最好能再多多記憶其它操作與圖式表達的含義，建議最好能實際開啟常用的文書軟體實際操作，會比單一背誦來的快速與印象深刻。 　　4.歷屆試題之熟悉：歷屆試題的熟悉是非常重要的，不同的考試

，命題委員會有不同的偏好。勤做相關考古題，除了可以看出命題趨勢，更可了解命題委員對題型之偏好，例如考題為測驗題共四十題，不可能每題都是需要花時間之思考題，必定會搭配一些能快速回答之觀念題或記憶題。因此，歷屆試題可方便考生評估在考場作答時之時間分配，更可搭配真實的考試時間做計時，評估出更有效率的臨場解題策略。 　　5.解題過程中，最重要的就是檢視自己對此科目內容了解的程度，提早面對自己的弱點來加強，如此一來一定比臨場出錯好得多，更可降低因為臨場緊張或其它種種因素而造成之失誤。 　　6.考試除了自身的實力加強，最好也能相約實力相當、志同好友編組讀書會，對於難懂的觀念，或是難解的試題，可由互相討

論的方式解決，如此教學互長，必然有所裨益。當仍有問題無法解決，建議詢問學有專精的老師或是先進。 　　【購買本書重要須知】 　　凡購買本書者，請於購買當下或購買後，將本書快速瀏覽一遍，若發現本書有錯頁、空白、污損等情事發生，請於最短時日內向本社退換書，以免影響您學習之權益與上榜可能之機會！ 　　試閱內容為電子書版本，紙本書籍為單色印刷。 本書特色 　　依照考試命題方向，建立全真模擬試題，增加演練機會。較難試題附有解析，協助讀者掌握考試重點。 　　完整收錄中油僱員、自來水評價人員及台糖工員近年相關試題，使讀者全盤掌握考試趨勢。

新冠肺炎疫情對股價波動的影響——以中國股市為例

為了解決ar技術原理的問題，作者林哲閱 這樣論述：

近年來，隨著經濟全球化和互聯網科技的發展，國家、地區之間的聯繫變得更加密切，相互之間的影響也越來越大。在這樣的背景下，現在的突發事件所蘊含的金融風險變得更大，因此也會對有關產業的股票價格產生更加劇烈的擾動，讓投資者、企業和國家承受較大的損失，因此研究突發事件對股票價格波動的作用機理和影響方式不僅有利於尋找到解決的辦法，幫助穩定市場，同時也有利於減少未來此類突發事件對股市的衝擊。本文以 2020 年突發的全球公共衛生事件—新型冠狀病毒肺炎疫情（COVID-19）為突發事件，以2020 年 1 月 1 日至 2020 年 6 月 1日期間中國股市中的金融行業、醫藥衛生等十個行業為研究對象，分別使

用事件分析法、Panel Data Model和VAR模型三種方法研究疫情對中國各行業板塊造成的影響。通過實證研究得到了以下結論。第一，中國境內和國外的疫情都對中國股市中的各行業板塊產生了較大的負面衝擊，其中中國境內疫情產生的衝擊具有及時性，而國外疫情產生的衝擊則有一定的滯後性。另外，行業受影響程度上，主要消費行業和醫藥衛生行業受到的新冠肺炎疫情衝擊較小，恢復速度最快。第二，疫情會加劇中國股市的波動，這種影響是倒 U 型的非線性關係；疫情期間醫藥衛生業波動率的影響明顯低於疫情對整個股市波動的影響，而對電信、資訊技術和能源行業的波動率影響顯著高於對整體市場的波動影響，其余行业與整體市場對比沒有顯

著差別。第三，在新冠肺炎疫情的背景下，協整檢驗(Cointegration Test)表明中國 10 個行業股票指數間存在長期均衡關係； Granger 因果檢驗表明各行業都存在一定的因果關係，反映了各行業板塊間的風險傳染路徑；脈衝響應研究表明，中國各行業都會受到其他 9 個行業波動的衝擊影響，但是該影響受疫情持續發展的原因，而具有較長的時效性和劇烈的波動性。