扳手種類的問題，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

圖解2603種機械裝置

為了解決扳手種類的問題，作者ThomasWalterBarber 這樣論述：

造就今日科技、歷久彌新的專利經典機構設計集成   20世紀初期機械設計智慧結晶：完整輯錄工業革命以來的創新發明專利與經典設計，例如二戰自由輪的三段膨脹引擎、自行車傳動鏈條齒輪，以及提升當代發動機燃油效率的阿特金森連桿結構。 專業分類‧系統編纂‧全面涵蓋：25年業界工程師蒐集史上經典專利圖稿、細節圖、備忘錄等資料，去蕪存菁，編纂分類成108個主題，全方位滿足不同條件需求的機械設計解決方案。 珍貴機構示意圖開放式激發創意：數千張機械裝置圖，精簡展示及解說機構關鍵、零件配置、運動方式，開放式啟發／優化創意靈感，簡單好用不受限。   卓越的經典機械裝置，既打造今日文明，更昂首續航於智慧化的未

來   機械科技發展史上的重大發明改變了人類生活的方式，形塑今日文明的樣貌。工業革命至20世紀初期，工程師們馳騁想像、積極創新，在既有的基礎上不斷改良、修正，以追求速度更快、產量更大、效率更高的卓越設計。機械的性能突飛猛進，徹底將世界推向工業量產的時代，留下許多今日仍普遍使用的經典設計，更為後續的電氣化、自動化及智慧化生產鑄造了堅實的基礎。 本書是由英國土木工程師協會成員、具25年從業經驗的工程師湯瑪斯．沃特．巴柏，為機械工程領域的專業人士，收集20世紀初大量珍貴的發明專利及設計圖並分類編輯而成。包括動力傳輸與控制、速度與方向調節、溫度控制等方案；應用在起降、輸送、壓製、鑽孔、潤滑、切削

等各種需求。書中收錄經過實證與改良的經典專利；也不乏一些奇特、別具創意的特殊類型，皆蘊含前人的智慧與巧思。大量的設計圖稿，對照作者精要的說解，是現代工程師、技師、發明家……等跨時空應用與創新優化的寶庫。 收錄英美超過40種專利發明 艾倫的調節器（43）、伊渥特傳動鏈（208）、格拉夫頓側面傾卸貨車（244）、哈德遜傾卸車（248）、盧克的離心磨碎機（253）、卡爾的碎解機（254）、阿迪曼的摩擦離合器（287）、貝利的可變式補整天平（373）、特威德的平衡鉚接機（376）、伯內的曲柄裝置（395）、勒孔特的膨脹心軸（507）、摩爾和皮克林的差速齒輪（550）、伯內的T形連桿雙汽缸引擎（5

74）、史蒂文森與梅杰的液壓增速齒輪（752）、格羅威的傾斜複合式引擎（582）、羅伊爾斜面萬向接頭（1078）、甘迺迪的活塞水表（1092）、斯坦納的填料函（1102）、達維的直立複樑式礦用泵（1130）、凱澤的間歇式環形裝置（1148）、里奇蒙的差速器伸縮液壓升降機（1217）、契里的自持齒輪（1218）、埃奇的穿孔軌條和鋸齒輪（1284）、梅勒的泵浦（1333）、尼柯森的反向齒輪（1437）、H.傑克的可變式膨脹齒輪（1455）、摩爾的差速外擺線齒輪（1545）、哈斯第、諾維敦和愛德華的可變衝程曲柄銷（1584）、歐姆斯特的可變錐形摩擦齒輪（1588）、達克姆液壓秤重機（1728）、喬伊

的蒸氣引擎反向裝置用液壓偏心輪（1979）、查普曼的曲柄運動（2023）、巴柏分裂式刀架（2107）、鮑爾的管扳鉗（2113）、湯瑪斯楔形襯套（2163）、F.H.理查斯的可調整活塞閥（2357）、里奇蒙、維谷的液壓平衡升降機（2396、2397）、迪爾登的繩索拉緊滑輪（2415）、寇德的螺旋塞式瓶塞（2544）等。

扳手種類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

為了解決扳手種類的問題，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

豐田人高效率動線思考：雙手怎麼動、腳步往哪移、筆記如何抄、座位這樣排，豐田最強動作經濟學，貝佐斯都在學。

為了解決扳手種類的問題，作者原正彥 這樣論述：

◎進電梯後，你先按關門鍵還是樓層鍵？別輕忽這動作，一年可幫你省13小時。 ◎某員工上班老遲到，他可能不是懶散，而是上班動線有問題。 ◎W/＠St.msgd/c……這不是亂碼，而是豐田人都懂的簡寫筆記，工作省時又省力。 　　這就是豐田人高效率動線思考， 　　連亞馬遜創辦人貝佐斯都深受影響。 　　作者原正彥曾任豐田維修技師，剛進豐田時，資深前輩總這樣告誡： 　　「工作時，雙手要處理同一件事。」 　　「每個動作都先思考，這件事跟那件事可不可以一起進行？」 　　「桌上只能放現在要用的物品，不要找東西，要拿東西。」 　　…… 　　「我要怎麼做，才能讓現在的動作成為一種習慣？」 　　原來，豐田

人從走動路線，到工作方式、檔名設定等， 　　都很重視動線，作者利用這方法創業，在IT產業連續五年顧客滿意度第一名。 　　作者說，工作品質常跟時間有關，而決定時間長短的，就是動線， 　　動線錯誤，就會產生多餘動作，動作多就得花更多力氣做， 　　難怪你總覺得自己很忙又很累， 　　本書就是要告訴你，如何刪除這些多餘動作，讓你的工作快又有效。 　　◎事情老做不完？因為物品放錯位置了： 　　影印機放總務部？碎紙機放業務部？大錯特錯。影印紙呢？其他文具呢？ 　　員工座位應按年資還是任務規劃安排？一定要設社長辦公室嗎？ 　　2019年創下日本企業最高市值的豐田，幹部會議一定用圓桌，理由是？ 　　◎我用

25％規則設期限，工作最省力又提早完成： 　　最需要創造力的工作記得早上做，需要外出開會的時間最好排同一天， 　　作者還研發25％規則，將原本的截止期限及作業時間自行縮短25％， 　　如期限為20天後，就縮為15天；8小時提前到6小時，時間管理更到位。 　　他還自創能排解工作壓力的「After5」行程安排術，工作生活都滿足。 　　◎文具怎麼放？筆記怎麼抄？都有動線： 　　常用資料要放慣用手那側，右撇子就放右側，減少動作的幅度或次數。 　　筆記本要選方格的，且橫向使用，這樣閱讀最省力， 　　電腦檔案命名也有眉角，「數字_種類_名稱_日期_版本」你得這樣排列， 　　還有豐田人自創的簡寫筆記：

　　＠＝at（在）、w/＝With（跟誰）、St.＝車站…… 　　原本要花3分鐘寫一段備註，透過簡寫，10秒就能完成，大家都能看懂。 　　雙手怎麼動、腳步往哪移、筆記如何抄、座位這樣排， 　　豐田最厲害的動作經濟，省時省力，貝佐斯都在學。 各界推薦 　　精實管理顧問／江守智 　　創新管理實戰研究中心執行長／劉恭甫 　　《經理人月刊》總編輯／齊立文  

可調式複合結構之高爾夫軸桿設計與研發

為了解決扳手種類的問題，作者許正達 這樣論述：

高爾夫運動產業快速發展，球具的研發與設計可以幫助高爾夫運動者達最佳表現，其中高爾夫球桿身軟硬度、振動頻率、桿頭的重量及各角度等設計之差異，將影響運動者的使用效能與穩定性。本研究旨在探討高爾夫軸桿設計與研發，整合SWOT(Strengths, Weaknesses, Opportunities, Threats)、TRIZ創新理論設計新式高爾夫軸桿，具可調式複合結構之高爾夫球軸桿可策略性的將高達22%之軸桿整體重量分布至其最有效之位置—彎曲點，運用自主研發之高密度斜紋編織布料，精準的將重量分配，並同時鞏固其彎曲點之環狀強度，將可見高密度且高強度之複合材料以隱藏式設計導入於軸桿之特定位置，使高爾

夫球軸桿之彎曲特性改變，進而優化揮擊時之能量傳導。本研究所提之可調式複合結構之高爾夫球軸桿設計特點：(1) 高爾夫球軸桿設計區分金色、紅色、藍色系統，將軸桿18–22%之重量進行配重調節，並有效的調整彎曲點與其強度，透過特殊設計之斜紋碳纖維編織布，以提高球桿的性能，針對了不同種類的球桿設計特定的最大彎曲點。(2)設計一種高爾夫軸桿隱藏式配重結構，以解決軸桿尖端移行較慢的問題，減少擊球右曲的缺失。(3)本研究所設計之球桿桿身，藉由三區段設置一個重量分配區段的技術特徵，並讓運動者能有效明確辨識該重量分配區段在桿身的預設分配重量比例，達到運動者使用球桿的功效。研究的結果顯示可調式複合結構之高爾夫球軸

桿提供了適當配置且可量身製作之軸桿系統，大幅提高球桿性能。本文所設計之軸桿，在研發製作上，已獲得專利申請，可有效提升使用者揮擊速度之整體揮桿效率。