產品圖拍攝的問題，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

數位教養：記者媽媽的聰明教養提案【附贈兒童專屬《數位小公民養成記》】

為了解決產品圖拍攝的問題，作者曾多聞 這樣論述：

──寫給數位時代所有家長的教養提案── 記者媽媽全方位大膽摸索、細心研究數位時代的教養新課題 提供具有實證基礎的教育新知與實用策略 讓親子共同撐好「數位保護傘」！   　　數位科技帶來便利與機會，也在生活中埋下風險與危機。遇到孩子沉迷3C、遭遇網路霸凌、對網友缺乏戒心、誤信網路假消息……的情況，該如何陪伴他們面對網路時代的新課題？難道只能限制他上網、沒收他的手機嗎？   　　本書作者曾多聞，是主跑文教線的記者，也是兩個男孩的媽媽。出於保護孩子的天下父母心，她發揮記者的調查力，對於如何降低兒少上網的潛在危險進行長期而深入的探究，寫成本書，分享給所有擔心孩子過度上網又不懂得防範網路風險的家長。

  　　書中對於如何引導孩子掌握上網原則，提出具體可行的做法，也針對孩子在網路世界可能發生的各種危險，提出因應之道與預防對策。家有學齡兒到高中生的父母，都可在其中找到適合自家孩子的教養點子，幫助孩子無憂享受數位生活。   　　這是一本為所有家庭寫的「數位公民教育」之書，給家長最全面的數位教養攻略，並加贈兒童專屬小書《數位公民養成記》一冊（48頁，有注音），以六則圖文故事帶出兒少上網的正確態度與觀念，讓數位素養從小扎根。   　　#數位時代的教養攻略 　　#給孩子參與數位社會的完整裝備 　　#用數位教養為孩子撐起保護傘 　　#保持參與孩子的數位生活 　　#從小培養健康的3C使用習慣 　　#教出

不迷網的數位小公民   本書特色   　　★K～12分齡漸進的教養策略 　　從學前到國小低中高年級、國中、高中，分齡來談數位教養的六大重點議題，依據孩子在不同年齡的網路使用狀況，提出適齡的教養對策與解方。   　　★清楚條列學習重點 　　用條列方式整理出段落要點，幫助家長快速掌握孩子的學習進程，各個階段的重點觀念都不遺漏。   　　★切合108課綱推動核心素養與高中多元選修課的教學需求 　　全面性整合數位公民教育的基礎課題，提供豐富的討論問題與教案範例，是設計「科技資訊與媒體素養」與「媒體識讀」相關課程的好幫手。   鄭重推薦   　　常玉慧｜國立教育廣播電臺節目製作主持人 　　陳逸玲｜臺灣展

翅協會秘書長 　　程金蘭｜臺北廣播電臺節目主持人 　　黃兆徽｜臺灣事實查核教育基金會教育總監、媒體觀察教育基金會董事 　　黃哲斌｜新聞工作者 　　黃益豐｜iWIN網路內容防護機構執行長 　　楊惠君｜非營利媒體《報導者》分眾報總監 　　魏瑋志（澤爸）｜親職教育講師 　　（以上按姓名筆畫排序） 　 　　本書實用性高、面向多元，如同給了進入到茫茫網路新時代裡無法理出教育方向與座標的家長們，一個找到出口的指北針。──楊惠君（非營利媒體《報導者》分眾報總監）   　　你很煩惱如何讓孩子安全、聰明的使用網路嗎？本書會是您的好幫手！書中提供兒少數位教養新知及實用策略，引導孩子有能力因應數位世界中的機會與風險

。──陳逸玲（臺灣展翅協會祕書長）   　　趁早培養孩子的數位素養，否則就像讓他們在網路高速公路上無照駕駛，隨時可能造成難以預防的傷害。──常玉慧（國立教育廣播電臺節目製作主持人）

產品圖拍攝進入發燒排行的影片

車道辨識之卷積神經網路架構設計

為了解決產品圖拍攝的問題，作者黃孟涵 這樣論述：

本論文設計並實作一款應用於車道辨識之卷積神經網路 (Convolutional neural network, CNN) 模型。首先，製作了一台架設160度廣角相機之輪型機器人，並分別使用手動及無線搖桿二種方式，控制輪型機器人在車道場地上行走在不同的位置上同時拍攝照片，蒐集到的照片作為卷積神經網路之訓練及測試資料集。接下來，使用PyTorch作為深度學習框架，包含定義CNN架構、訓練及測試模型。經過數個不同的模型參數的測試，包含隱藏層層數、全連接層之神經元數量、學習率和兩種不同的優化器等。最後設計完成之CNN模型包括：輸入層為3×220×220的三維矩陣，輸出層為5個類別的分類節點，隱藏層由

2層卷積層、2層池化層及2層全連接層所組成。此模型在車道辨識的準確率可達到99.6%。訓練完成之CNN模型被實現在輪型機器人的微控制器中，並在實驗車道場地上進行測試。實驗結果顯示在整體的測試例中，CNN模型的判斷準確率為92.5%，但在輪型機器人處於道路右側進行右轉的條件下，CNN模型準確率僅82.5%，還需進一步研究及改善。

只要一行指令!FFmpeg應用開發完全攻略

為了解決產品圖拍攝的問題，作者殷汶杰 這樣論述：

　　★FFmpeg 繁體中文全球第 1 本 　　★最完整 Know-How 與應用開發完全攻略！   　　【Video Makers 經常遇到的困難】： 　　「常常到處找工具網站，整個 PC 中充滿了各種僅支援單一功能的軟體」 　　「檢舉魔人 —— 常常需要剪接行車記錄器的檔案」 　　「TikTok 的玩家 —— 常常要修改短影音」 　　「YouTuber —— 更需要強大的剪片軟體」   　　►►►【FFmpeg】就是 Video Makers 的救星！ 　　FFmpeg 一行指令就能做到影音的轉檔、合併、分割、擷取、下載、串流存檔，你沒有看錯，一行指令就可以搞定上面所有的工作！連早期的

YouTube 都靠 FFmpeg，因此你需要一本輕鬆上手的 FFmpeg 指南！   　　Ch01-06 影音技術的基礎知識 　　講解影音編碼與解碼標準、媒體容器的封裝格式、網路流媒體協定簡介   　　Ch07-09 命令列工具 FFmpeg／FFprobe／FFplay 的使用方法 　　解析命令列工具在建立測試環境、建構測試用例、排查系統 Bug 時常常發揮重要作用 → 掌握 FFmpeg 命令列工具的使用方法，就能在實際工作中有效提升工作效率！   　　Ch10-15 FFmpegSDK 編解碼的使用方法／封裝與解封裝／媒體資訊編輯 　　實際的企業影音 project 中，通常呼叫 F

Fmpeg 相關的 API 而非使用命令列工具的方式實現最基本的功能，因此該部分內容具有較強的實踐意義，推薦所有讀者閱讀並多加實踐。本部分的程式碼來自於 FFmpeg官方範例程式碼，由筆者精心改編，穩定性高，且更易於理解。   本書特色   　　►►► 從影音原理解析到 FFmpeg 應用開發，邁向影音開發達人之路！ 　　● 從原理說起，讓你先對影音資料有最完整的認識 　　● 了解組成影音的像素／顏色／位元深寬度／解析度／H.264／H.265 　　● MP3／AAC／FLV／MP4／AVI／MPEG…等數不完的格式分析介紹  　　● 串流媒體網路原理詳解：ISO → TCP/IP → Str

eaming 　　● 了解組成影音的取樣率／波長／頻率／位元數／音色 　　● FFplay／FFprobe／FFmpeg：一行指令就搞定轉檔、剪接、合併、截圖、編碼 　　● CPU/GPU硬解軟解原理以及濾鏡的介紹  　　● NGINX 的 RTMP／HLS／HTTP-FLV 串流媒體伺服器 　　● 完整的 FFmpeg SDK 在各種語言中的應用及程式範例 　　● FFmpeg SDK 完成音訊、影片的編解碼、打包拆包、濾鏡、採樣 　　● 範例 code 超值下載：deepmind.com.tw

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決產品圖拍攝的問題，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