i9電腦的問題，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

結合深度學習與機器視覺於檢測印刷電路板組裝缺陷之研究

為了解決i9電腦的問題，作者楊益弘 這樣論述：

本研究透過深度學習物件偵測演算法與機器視覺模板匹配技術提出自動化檢測方法以解決印刷電路板組裝缺陷問題。現今印刷電路板組裝過程中，因元件的密度增加、產量與生產速度的提高，過程中經常導致缺件(missing)、錯件(wrong component)及反極性(wrong polarity)等組裝缺陷，這些缺陷目前大多以人工檢驗，檢驗結果經常有誤差或漏檢，因此，本研究將利用自動光學檢測技術取代傳統的人工目視檢測。傳統自動光學檢測系統是使用機器視覺進行瑕疵的檢測，在印刷電路板進行分區檢測，實際的操作方法為移動相機去拍攝每一個分區進行檢測，這種檢測印刷電路板的方式會非常耗時並且設備的誤報率高達九成以上，

需要有經驗的工程師調校機器很長時間才能趨於穩定，此方法在印刷電路板的缺陷檢測上大多是針對焊點的缺陷以及電路上的缺陷。本論文提出針對印刷電路板固態電容組裝缺陷問題，利用物件偵測中的YOLO(You Only Look Once)演算法尋找印刷電路板中固態電容的位置並且辨識其顏色與數量，再結合機器視覺模板匹配技術對拍攝圖像進行掃描確認缺陷位置。研究結果顯示，使用810張圖像進行訓練後的模型權重，針對訓練類別的測試集圖片共90張進行測試，所有類別平均精確度(average precision, AP)的平均為99.58%。透過本研究中設定之應用場景所拍攝的圖像共90張進行驗證，對所有類別AP的平均為

83.71%。為了優化應用場景的精確度，綜合了訓練圖像的810張圖像及應用場景的90張圖像重新訓練，並且透過研究中設定之應用場景重新拍攝90張圖像進行測試，所有類別AP的平均為99.61%。結合深度學習物件偵測與機器視覺模板匹配後的自動光學檢測過程使用CPU：Intel i9-9900K 8核16線程以及GPU：NVIDIA RTX2080Ti的電腦與使用2590×1942像素的工業相機，拍攝120mm×100mm的印刷電路板耗時1.6秒即可完成檢測。