亮度的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

少年Galileo【觀念物理套書2】：《單位》+《定律》+《維度》+《時間》(共四冊)

為了解決亮度的問題，作者日本NewtonPress 這樣論述：

★日本牛頓40年專業科普經驗★ ★適合國中生輔助學習課程內容★ 80頁內容輕量化，減輕閱讀壓力！ 少年伽利略主題多元，輕鬆選擇無負擔！ 　　少年伽利略藉由日本牛頓創業40週年的深厚經驗，以精緻的全彩圖解，簡潔說明重要觀念，透過培養學生對自然科學的好奇心，也滿足科學素養落實生活的需求，改變你對物理的認識！ 　　《單位》 　　你可能曾經好奇過「為什麼這樣是1公斤？」「1秒鐘是如何訂定出來的？」透過將數值量化，建立標準，我們才得以跟別人溝通、說明事物。本書將常用的單位分類成物理、化學、宇宙、生物等領域，方便查找，日常生活自不用說，單位對於產業與科學發展也是不可或缺的一環。歡迎一同來探索趣味

盎然的單位世界！ 　　《定律》 　　定律和原理是歸納大自然的規則而成，讓我們得以知曉這世界是如何運行。本書收錄國高中會學到關於電&磁的庫倫定律、歐姆定律，或是與力有關的自由落體定律、牛頓運動方程式等等，同時還介紹與量子論、宇宙、化學生物有關的定律，依主題分類，一目了然。 　　《維度》 　　我們生活在由長、寬、高構成的三維世界中，很難想像更高維度的世界會長什麼樣子，然而科學家更大膽預測這世界其實有10維度？！簡直就像科幻小說中才會出現的情節一樣。認識維度有助於我們連結相對論的重力與超弦理論，解答重力的奧妙，不妨抱著好奇的心情來探索看看這超乎想像的高維度世界吧！ 　　《時間》

　　時間一直在默默流逝，光靠自己難以精準計時，幸好有時鐘，我們才能隨時測量時間、掌握時刻。為什麼快樂的時光總是匆匆流逝呢？時間旅行有可能實現嗎？追根究柢，時間究竟是什麼？歡迎踏入充滿謎團的神奇時間世界！本書從心理學、生物學、物理學等各方觀點探究時間的本質，即使不具備相關專業知識也能享受其中樂趣。 系列特色 　　1. 日本牛頓出版社獨家授權。 　　2. 釐清脈絡，建立學習觀念。 　　3. 一書一主題，範圍明確，知識更有系統，學習也更有效率。

亮度進入發燒排行的影片

BIM應用於科技廠房設施維護管理之案例探討

為了解決亮度的問題，作者葉上菁 這樣論述：

科技廠房設施的營運管理與一般建築設施並不相同，本研究乃針對一個具有儲存環館的科技廠房設施為研究案例，該設施提供世界上亮度最高的光源以供國內外相關研究用戶前來實驗，而在要求實驗數據的高品質、高精度前提下，該設施必須無時無刻維持最佳的營運環境狀況。然而該設施目前的營運管理模式大都採被動式管理，新完成的儲存環館建築量體龐大且為環狀，進而使得此特殊廠房之設施維護管理更加複雜。為嘗試不同做法，本研究探討應用建築資訊模型(Building Information Model或BIM)技術於該設施有關建築物維護管理及新實驗站建置之可行性。本研究嘗試應用BIM於四種情境，包括(1)應用於機電土木小組之設施維

護管理、(2)應用於跨部門之共同作業設施維護管理、(3)應用於實驗站之空間模擬與碰撞檢討，以及(4)應用BIM與GPS於環狀建築之座標測量。研究結果顯示應用於四種情境皆具可行性。第一，將5年期間建築消防維修紀錄，全部鍵入BIM模型資料庫，經彙出明細表整理出同性質的維修項目，可與廠商簽訂年度開口合約議價，透過長期合作以量制價應可減少維修成本。另外藉由BIM圖層色塊清楚可顯示出週期性的待維修或換修，將更有效率改被動為定期主動式維護換修。第二，透過應用BIM共同作業於拆牆合併辦公室的情境，應可減少約15%工作天及減少約10%工程費。第三，將光束線實驗站建置於BIM模型上，可做空間模擬與碰撞檢討，也可

出圖作高精準度的放樣，且透過修改參數即可自動連結更新圖面。第四，在此大型環狀科技廠，利用GPS測量儀器於各出口位置測量，將數據儲存於BIM資料庫，並在各出入口標示BIM 3D模型圖結合GPS座標值，應可應用於緊急事故發生時救護車與消防車可迅速準確到達正確廠房的位置進行搶救。

找回深度專注力：43個科學化技巧，使你1小時的價值，高過他人1萬倍

為了解決亮度的問題，作者井上一鷹 這樣論述：

★來自超過萬人研究數據，破解「回復專注力」秘訣★   每個人的「時間」絕對不是等價。 本書介紹43項科學化的深度專注力技巧， 讓你1小時的價值，達到其他人的1萬倍以上！   　　我們每天平均花在手機和電腦的時間高達11小時。但研究指出，有84%的人，真正專心的時間只有3個小時多一點。   　　比爾．蓋茲曾說：「優秀的軟體工程師，能創造出一般工程師10,000倍的價值。」如何讓你的1小時，創造出10,000倍的價值？關鍵就在於本書介紹的：   　　「如何改變思考方法，找回深度專注力。」   　　在資訊過量、職場邁入新型態的後疫情時代，專注力就等同於我們的產出價值，也是我們的寶貴資產。書中將介

紹工作自由度大爆炸時代，你不可不知的2大重要議題：   　　▓　如何透過專注力脫穎而出 　　▓　如何創造自由的工作態度   　　本書不僅僅是一本「幫助你培養專注力的指南書」，更能讓你獲得沉浸在某件事物中的體驗－－「深度專注」。只要進入深度專注狀態，你就能從眼前事物獲得滿足感與幸福感，化被動為主動，讓你的內在動力獲得最大提升。具體包括以下五大章節：   　　1. 找到專注在「一件事」的思考方法 　　2. 找回「深度專注力」 　　3. 找回「讓自己可以專注的場所」 　　4. 找回「沉浸其中的自己」 　　5. 達到工作上的時間與空間自由 　　 　　本書以最新科學與心理研究做為背景，蒐集超過10,00

0人的研究數據，從環境因素等物理元素，到時間管理、心態調整等心理要素，提供讀者43種能真正找回專注力、達到「深度專注」的實用技巧，包括：   　　●環境調整法——透過不同姿勢切換思考模式，隨時創造私人空間 　　●五感刺激法——透過布置、動作、氣味、背景聲等，讓視覺、聽覺、嗅覺、觸覺最佳化 　　●找回創意的策略——掌握零碎時間、透過「聊天」跨出同溫層，創造新火花 　　●獨立作業的策略——檢視事情的「緊急．重要」程度，守住自己的「專注時間」 　　●協同作業的策略——透過「共享」建立心理安全感，提升「遠端素養」 　　…等等。   　　在未來，無論是一般上班族還是遠端工作者，每個人都必須抱持創業家與自

由工作者的心態——「主動出擊，樂在其中」。本書將幫助我們養成不為時間與空間所困的「深度專注力」，在職場上保持高效、脫穎而出。   專家深度推薦   　　Ada｜筆記女王  　　瓦基｜閱讀前哨站  　　亨利溫｜個人品牌行銷講師  　　柚子甜｜心靈作家  　　張永錫｜時間管理講師  　　愛瑞克｜《內在原力》作者、TMBA共同創辦人  　　劉奕酉｜鉑澈行銷顧問策略長 　　歐陽立中｜Podcast節目「Life不下課」主持人   　　★「想提供工作績效，你一定要懂得如何凝聚專注力，而這本書可以幫助你！」——個人品牌行銷講師／亨利溫

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決亮度的問題，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