imac主機的問題，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

應用機器學習與影像量測於結構健康監測：模態參數、損傷診斷及裂縫辨識

為了解決imac主機的問題，作者尤俊文 這樣論述：

近年來，為了有效延長建築結構使用的生命週期，及保護其免於受到災害再次破壞，結構健康監測成為結構物永續經營最關鍵的部分。由於電腦技術的普及與進步，透過即時與自動化之方式，將結構物之健康資訊傳遞給工程師，以利後續之補強工程，是良好的結構健康監測行為。然而，在傳統的結構健康監測方式中，常利用有線感測器，傳遞電子訊號至主機，再由主機從感測器獲得資訊，診斷結構當前之健康狀況。另外，為了強化結構健康監測的手段，並有效應用目前影像處理計算優勢，本研究藉由相機獲取結構動態影像，結合影像量測和電腦視覺的方式處理動態影像，估計被拍攝結構的位移變化，並獲取自然振動頻率與模態振型等模態參數，進而了解結構當前的健康狀

態。人工智慧因目前電腦硬體效能有所提升，可即時、迅速處理大量影像數據，有機會改善過去人工巡檢的缺點，不僅可以節省人工判斷的時效性，亦可改善誤判的情形。若能以人工智慧技術對結構反應，即時判斷結構損傷的程度，估計結構殘餘性能，則可大幅改善救災的規劃，並保護使用者生命、財產的安全。因此，本研究基於傳統機器學習流程，應用人工智慧深度學習結構的反應特性，得到判斷損傷發生、位置，並瞭解結構當前的性能。由於建築結構會因為時間老化問題而導致剛度以及強度下降，甚至造成建築物損壞，而產生一連串的公共安全問題。因此若能建立一套有效且簡易的深度學習模型，將結構受損前後的遞移函數之相位差，以傳統的神經網路中學習，當結構

物損傷後，能夠在第一時間檢測出損傷的位置以及程度，便能夠更快速的進行補強和救災。另外，本研究同時也利用深度學習判斷混凝土構件表面之裂縫性質，以非破壞性檢測裂縫之方式，提供裂縫相關資訊，加速結構工程師判斷混凝土構件之健康情況。基於人工智慧中深度學習以及遷移學習的方式，再藉由學習訓練資料中每張影像特徵，訓練出屬於本研究之裂縫辨識模型。訓練完畢後，透過其架構能夠提取特徵之優勢，進而自動化地判斷影像中混凝土表面是否有裂縫存在，並框選出裂縫之位置，並同時在此框選區域中以遮罩的方式輸出此裂縫，隨後將深度學習所遮罩出的裂縫位置，進行影像後處理，經過一系列電腦視覺之方法，將混凝土表面上的裂縫萃取出，將裂縫完整

的標記回原始影像上。