台鋁的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

GUCCI：精品帝國真實的慾望、愛恨與興衰，時尚黑寡婦驚世駭俗的豪門謀殺案。(首刷限量 燙金電影書衣版)

為了解決台鋁的問題，作者莎拉．蓋伊．福登 這樣論述：

★ 改編電影將於2022.01在台上映 ★ 由金獎大導雷利．史考特執導，女神卡卡、亞當．崔佛、 傑瑞德．雷托、傑瑞米．艾朗與艾爾．帕西諾領銜主演！ 　　★ 榮獲誠品、博客來與MLD台鋁三大通路選書！ 　　★ 亞馬遜「時尚」、「藝術家傳記」與「國際商業」暢銷榜冠軍！ 　　★ 全美最大連鎖書店──巴諾書店＆亞馬遜讀者，近五星絕讚好評！ 　　★ 首度在台公開！精品時尚圈最私密且真實的第一手資料，萬眾矚目！ 　　★ 時尚圈資深記者福登揭露古馳帝國的興衰與驚世的凶殺案！精采絕倫！ 　　★ 收錄逾60張古馳家族成員的珍貴生活照、最新且最全面更新資料與後記！ 　　古馳（Gucci）作為國際知

名的義大利精品時裝品牌，在1950-1980年代為財富與地位的象徵。古馳家族在四十年間，將古馳從佛羅倫斯帶至全球的時尚迷面前，也因此讓古馳家族過上光鮮亮麗的奢華生活。然而，隨著家族成員間的股權爭鬥與越來越多充滿利益關係的旁人介入，使得古馳的聲勢逐漸衰落──1995年，古馳第三代家族繼承人墨里奇奧．古馳，在自家遭前妻派翠吉雅．雷吉亞尼雇用的槍手射殺身亡，消息一出震撼全球。 　　「我寧願坐在勞斯萊斯裡哭泣，也不願坐在腳踏車上笑。」視金錢如命的派翠吉雅．雷吉亞尼語出驚人。這名義大利時尚圈廣為人知的「黑寡婦」，在初識古馳家族的墨里奇奧．古馳時便很清楚自己的索求──她要躋身上流社交圈，她要恆久的權力與

財富。而這一切都在她逐漸壓抑不住強大的野心後變質，也因而引發了驚世駭俗的買凶殺人案。 　　本書揭露古馳時尚帝國的內鬥與醜聞，帶領讀者一探奢華精品背後的慾望、瘋狂、愛恨、算計與貪婪，透過與眾多相關當事者的專訪，不僅取得精品時尚圈的第一手資料，也如實呈現了古馳的興衰、買凶殺夫的驚悚細節，以及當時默默無名的設計鬼才湯姆．福特帶領崩壞的帝國重返榮光的精采過程。 各界好評 　　「很幸運能提前讀到這本書，我覺得寫得非常好。福登做了非常詳實的研究，並努力去理解古馳的每一段過去與現在，她在本書傾注了她的熱情。」──古馳集團前總裁 多姆尼科．狄索爾，刊於《女裝日報》 　　「即便是對商業和時尚不感興趣的讀

者，也會認為本書非常值得玩味。」──《書目雜誌》 　　「本書是一部家族企業興衰的編年史，闡明只要缺乏專業管理及外部資金，即便是壯大成功的家族企業也難以生存，同時也呈現創業者後代的個性如何導致必須賣掉公司的窘境。」──《華爾街日報》 　　「引人入勝。」──《柯夢波丹》 　　「福登筆下的故事十分複雜且難以呈現，但成果卻簡單易讀。她善於觀察特殊的細節及人物形象，並釐清了錯綜複雜的家庭關係及糾纏不清的世仇……儘管盲目單調的言論與虛榮誇張的出版品才是時尚圈的主流，福登仍毅然決然地寫出這本書。」──《國際先驅論壇報》 　　「《Gucci》不僅是真實的犯罪故事，同時也是商業類書籍。福登曾任《女裝日報

》米蘭分社的社長，她在義大利時尚圈的人脈促成了這本詳盡記錄各種八卦的書，書中全是時尚產業的第一手記錄……同時，她也呈現了一個家族、一間公司與一個產業最私密的一面。」──《布里爾雜誌》 　　「時尚圈從未如此驚心動魄、危機四伏，古馳家族三代的事蹟以米蘭的一起行刑式謀殺案開場，揭開那個年代最火紅的品牌背後的世界。身處時尚圈的福登闡述了貪得無厭且爭吵不休的古馳家族如何失去他們的帝國，並使古馳與樂福鞋劃上等號。」──《華爾街日報》的時尚作家兼《時尚末日》的作者泰麗．阿金斯 　　「福登結合了家族是非及鉅額交易，產出有趣且複雜的故事……這是一本商業書卻會令人如讀小說般急著想看完。」──《經濟學人》 　

　「迷幻、貪婪、情色、時尚，以及頂級品質的皮革產品，夫復何求（除了價格該打個七折）？」──《模特兒》作者麥可．葛羅斯

台鋁進入發燒排行的影片

小型齒輪磨耗機台研究 與深度學習於旋轉機械磨耗之應用

為了解決台鋁的問題，作者陳昱安 這樣論述：

精準齒輪磨耗是一項很難實行的操作，於一般操作下，精準控制齒輪磨耗深度極為困難，本文設計一種可簡單控制磨耗深度並磨耗齒輪之磨耗機器，可使單人操作精準齒輪磨耗小型化，模塊化已利於齒輪磨耗實驗之試驗數據組成旋轉機械是各領域機械設備關鍵機構，其設備故障會帶來嚴重危險與不良後果，由於傳統的故障檢測方式需要大量專業知識，因此以殘差卷積神經網路的方式對旋轉機械缺陷進行診斷，而訓練資料的缺乏在訓練神經網路時容易導致不良的訓練結果，因此在本文中將製作三種不同的磨耗組與三組待測組，擷取振動信號後經信號處理繪出其時域圖、頻域圖、能量譜、相位譜與能量譜密度並對其缺陷進行診斷。在本實驗中證明殘差網路可學習不同磨耗深度

缺陷的特徵，並成功對未學習的磨耗程度進行診斷，其準確率可達 99.05%，成功的對三種不同程度的類別進行分類。

見築百講：1684-2020高雄經典建築

為了解決台鋁的問題，作者侯慶謀,陳玉霖,陳佑中,陳家宇,陳坤毅,黃于津,黃則維,劉呈祥,蔡侑樺,蔡寧,龍霈 這樣論述：

　　高雄，這座因高雄港而崛起的港市，在1863年開港，1908年開始築港工程，城市的核心區域陸續填築完成。1919年10月田健治郎任臺灣首任文官總督，在1920年實施地方制度改革，將全臺重劃為臺北、新竹、臺中、臺南和高雄五州，至此「高雄」地名首次出現，取代原來的地名「打狗」，在2020年屆滿一百週年。   　　一百年來，高雄的公共建築如雨後春筍般湧現，帶動了街景的改造。高雄逐步擴展成臺灣南部第一大城，座落在城市上的建築，記錄了這座城市的歲月流變。《見築百講》盤點高雄現存文化資產，以及現代化發展下的產業設施、交通建設、學校、宗教、住宅、商業大樓等建築，精選清代至今百件經典建築作品，透過專書出

版，讓大眾了解高雄現存的特色建築。

在不平衡數據集下改善鋁壓鑄件缺陷檢測性能的探討

為了解決台鋁的問題，作者鄭宜雯 這樣論述：

目錄摘要 iAbstract ii目錄 iv圖目錄 viii表目錄 xiii第一章 緒論 11-1 研究動機與目的 11-2 相關文獻探討 41-2-1 使用HOG提取缺陷特徵 41-2-2 使用VGG16做為缺陷檢測 81-2-3 使用模板比對做為缺陷檢測 111-2-4 與本研究拍攝環境最相似的文獻 111-2-5 總結-選擇辨識方法 151-2-6 不平衡數據相關探討 151-2-7 使用SVM懲罰函數解決不平衡數據 181-2-8 ORB影像對齊 201-3 論文架構 22第二章 系統架構 232-1 實驗流程 232-2 實驗設備

介紹 252-3 背景相關知識 252-3-1 HOG 262-3-2 SVM 292-3-3 CNN 322-3-4 VGG網路 352-3-5 TensorFlow模組 37第三章 實驗方法 383-1 Dataset 383-2 交叉訓練 403-3 數據擴增 413-4 HOG特徵提取 423-5 訓練VGG16網路 443-6 解決不平衡數據集問題-調整SVM參數 473-7 模板比對 483-7-1 影像對齊法 493-7-2 待對齊影像之影像二值化 513-7-3 影像相減 52第四章 實驗結果與討論 544-1 擴增缺

陷數據 544-2 缺陷偵測效能的評估標準 554-3 HOG分割尺寸的選擇 564-4 HOG歸一化以及SVM核函數搭配 614-4-1 正常及缺陷比例為2:1的實驗結果 614-4-2 增加數據數量後的實驗結果 674-4-3 正常及缺陷比例為5:1的實驗結果 694-5 加入F1-score計算結果 724-6 VGG16分類結果 734-7 模板比對結果 774-7-1 畫面1實驗結果 774-7-2 畫面2實驗結果 804-7-3 模板比對法結果與討論 824-8 三種辨識成果討論 83第五章 結論與未來展望 855-1 結論 855

-2 未來展望 86參考文獻 87圖目錄圖1. 鋁壓鑄件環境參數[1] 2圖2. 各種缺陷種類。(a)表面充填不良；(b)缺裂[2]；(c)燒付；(d)裂痕[2]；(e)正常打洞；(f)變形，模具內pin腳斷裂，打洞失敗。 2圖3. 缺陷葉片的梯度方向直方圖[5]。(a)位置I處損壞葉片的HOG；(b) 位置I的未損壞葉片HOG；(c)位置II中損壞葉片的HOG；(d)位置II中損壞葉片的HOG。 5圖4. 實驗渦輪葉片檢測結果[5]。(a)所有葉片完好無損；(b)~(d)有缺陷葉片。 6圖5. 紡織品缺陷檢測的訓練流程圖[6] 7圖6. 紡織品缺陷檢測的測試流程圖[6] 7

圖7. 木材缺陷[14]。(a)木材死節；(b)木材活節；(c)藍色污漬；(d)裂縫；(e)褐色污漬；(f)瀝青條紋。 8圖8. 車輪胎面圖像採集系統[22] 12圖9. 車輪胎面影像[22] 12圖10. 車輪胎面缺陷檢測架構圖[22] 12圖11. 車輪胎面缺陷影像[22] 13圖12. 定位的區域[22]。(a)正樣本；(b)負樣本。 14圖13. 追蹤騎自行車的男孩。在第61個和第72個畫面通過ORB功能，追蹤器準確地捕捉到了小男孩。藍色橢圓表示當下畫面中對象的位置。 21圖14. 追蹤行人，藍色橢圓表示當下畫面中對象的位置。 21圖15. 本研究的系統流程圖 23圖

16. 本研究所採用的工業攝影機[38-39] 25圖17. 計算點A梯度的遮罩：梯度值可寫成(11)式，梯度方向可寫成(12)式。 26圖18. HOG的核心概念為將圖像分成細胞(cell)，再將細胞組合成圖像塊(block)。 27圖19. 偵測正常與缺陷物件的HOG流程圖[參考40] 27圖20. 不同圖像塊歸一化方法的結果[40]，其中的DET為檢測錯誤權衡效果(Detection Error Tradeoff)。 29圖21. SVM平面硬間隔分類 30圖22. SVM平面軟間隔分類，允許某些樣本可不滿足規則。 31圖23. SVM分類器不一定為線性的示意圖。(a)非線

性；(b)二維平面。 32圖24. CNN架構圖[41] 33圖25. 卷積運算示意圖 33圖26. 池化運算示意圖(參考[42]重新繪製) 34圖27. 全連接層分類出結果(參考[43]重新繪製) 34圖28. 3×3卷積的使用。(a) 5×5可被3×3卷積直接取代；(b)假設輸入8×8的特徵(以一維空間表示)，8×8也可以輕鬆地分成3×3。 36圖29. 數據集。(a)畫面1；(b)畫面2。 38圖30. 數據集內所有缺陷影像。(a)(b)燒付；(c)~(e)變形；其餘皆為充填不良。 39圖31. 交叉訓練示意圖 40圖32. 數據擴增。(a)原始影像；(b)經過扭曲的影

像；(c)經過平移的影像；(d)經過水平翻轉的影像。 41圖33. HOG分割示意圖。(a)每個影像可分成8×8的細胞，每個細胞皆會計算出一個梯度值[52]；(b)梯度方向可分成9組，經過統計可得出有9個bin的直方圖[53]。 43圖34. 將2×2的細胞組合成一個圖像塊 44圖35. VGG16架構圖[54] 45圖36. 一般分類情況，每種類別的比例將近為1:1。 47圖37. 特殊狀況，某類別數量少，形成這種數據不平衡的關係。 48圖38. 模板比對流程圖 49圖39. SIFT、SURF、BRIEF (with FAST)和ORB (oFAST + rBRIEF)的匹配

性能。ORB的性能優於其他做法[56]。 51圖40. 使用ORB影像對齊方法的一個結果 52圖41. 影像二值化。(a) ORB影像對齊後的結果，經旋轉或平移後空掉的部分將以黑色補上；(b)上圖若直接與模板影像做影像相減會產生誤差；(c)影像二值化，以色彩1為門檻值，若低於1則顯現黑色，若高於1則顯現白色；(d)將圖像中黑色部分貼上模板的影像，再轉回原始圖像顏色。 53圖42. 畫面2裁成缺陷比例較大的大小。(a)正常鑄件影像；(b)缺陷鑄件影像，紅框為缺陷位置。 54圖43. 藉由調整亮度來增加缺陷數據。(a)原圖；(b)將原圖調亮10%；(c)將原圖調暗10%。 56圖44.

固定圖像塊尺寸為2×2 (細胞)，各種細胞尺寸所得的準確率。 58圖45. HOG計算圖像塊數量示意圖 59圖46. 各種細胞尺寸和塊尺寸搭配的特徵維度 60圖47. 固定細胞尺寸為16×16 (像素)，各種圖像塊尺寸所得的準確率。 61圖48. 固定圖像塊尺寸為4×4 (細胞)，各種細胞尺寸所得的準確率。 61圖49. 所有測試結果的比較直方圖 62圖50. 正常與缺陷數據2:1，C = 1，四種歸一化方式的準確率、召回率和精確率。 64圖51. 正常與缺陷數據2:1，C = 100，四種歸一化方式的準確率、召回率和精確率。 67圖52. 正常與缺陷數據2:1，使用L1歸一化

，kernal = RBF，C從0.1~10000的準確率、召回率和精確率。 67圖53. 增大數據量後，正常與缺陷數據2:1，四種歸一化方式的準確率、召回率和精確率。 69圖54. 正常與缺陷數據5:1，四種歸一化方式的準確率、召回率和精確率。 72圖55. RBF核函數，懲罰函數的走向。 73圖56. 框取正常與缺陷標籤。(a)缺陷件影像，紫色框表示標籤為Defect；(b)正常件影像，由於整張皆是正常件，於是隨機框取，藍色框表示標籤為Normal。 75圖57. 損失函數。(a)VGG16損失函數。(b)一般損失函數。 77圖58. 影像相減後的差值圖。(a)編號002的正常

鑄件影像-模板影像的差值圖，幾乎是一片黑；(b)缺陷部位較小的缺陷影像-模板影像的差值圖，缺陷較無法以肉眼看出；(c)缺陷部位較大的缺陷影像-模板影像的差值圖，缺陷部位隱隱若現；(d)增加(c)的對比度，將缺陷部位突顯出來。 79圖59. 正常鑄件影像-模板影像，差值為0的個數有將近1,800,000個。 80圖60. 缺陷鑄件影像-模板影像，差值為0的個數僅有將近1,300,000個左右。 80圖61. 畫面1做影像相減後差值為0的個數走向 81圖62. 畫面2做影像相減後差值為0的個數走向 82圖63. 將畫面2裁剪為止有缺陷部位的大小，紅圈為缺陷位置。 82圖64. 畫面2做

影像相減後差值為0的個數走向 83表目錄表1. 測試結果統計表[5] 6表2. Mix-FCN網路與其他網路的指標值[14] 9表3. 車輪踏面缺陷定位測試結果[22] 14表4. 混淆矩陣 17表5. SE-gcForest、原始gcForest [29]、SMOTEBagging [28]和SMOTEBoost [27]的F1效能[26]。 18表6. 使用SVM、P-SVM和改進的P-SVM方法對帕金森病數據集和輸血服務中心數據集的準確率[30]。 19表7. VGG各模型配置[44] 35表8. A模型與A-LRN模型性能比較[44] 37表9. 數據集影像數量 3

8表10. 修改過後的VGG16層數圖 46表11. 擴增後的數據集影像數量 56表12. 缺陷偵測混淆矩陣 56表13. 測試HOG分割尺寸的數據量(非實際數量，而是8次交叉驗證的等效總數量) 58表14. 固定圖像塊尺寸為2×2和4×4，各個細胞尺寸的特徵維度。 60表15. 正常與缺陷數據2:1的訓練及測試張數 62表16. 正常與缺陷數據2:1，C = 1時結果。 63表17. 正常與缺陷數據2:1，C = 100時結果。 65表18. 增大數據量後，正常與缺陷數據2:1的訓練及測試張數。 68表19. 增大數據量，正常與缺陷數據2:1結果。 68表20. 正常與缺

陷數據5:1的訓練及測試張數 71表21. 正常與缺陷數據5:1，C = 1時結果。 71表22. 最終結果混淆矩陣 74表23. VGG16數據集 75表24. VGG16結果混淆矩陣 77表25. 模板比對使用數據集 78表26. 畫面1做影像相減的實驗結果 81表27. 畫面1做影像相減的實驗結果 83表28. 三種辨識方法的速度 85