K wax Mobile01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

高光譜成像系統之開發與應用

為了解決K wax Mobile01的問題，作者顏永哲 這樣論述：

高光譜成像系統能夠同時量測二維的空間資訊與一維的光譜資訊，組成三維影像與光譜的資料矩陣，為一種相當有力之非侵入式分析工具，藉由高光譜系統能夠找出偵測目標所需的數個特徵波段，並可將數個波段實現於體積較小的光譜影像檢測系統，已達快速輕便偵測用途。因此本論文發展了五種系統，首兩大系統為螢光檢測高光譜成像系統與反射式遙測高光譜成像系統，並以此兩種高光譜系統為基礎，研發手持自體螢光式多光譜影像系統、手持反射式多光譜影像系統與四維高光譜影像系統。螢光檢測高光譜成像系統為高光譜顯微影像系統，將繼光式高光譜影像系統與顯微影像系統結合，並搭載線型汞燈光光源，提供誘發自體螢光之刺激光源，能夠同時擷取微觀細菌之螢

光影像空間與光譜資訊。反射式遙測高光譜成像系統為同軸異質高光譜影像系統，整合兩種異質感測光譜模組，在同軸光學架構下，系統能夠同時量測可見光(400 nm 至 700 nm)與短波紅外線(900 nm 至 1700 nm)的光譜在相同影像空間下，並藉由橫向移動蒐集完整三維影像與光譜資訊。手持自體螢光式多光譜影像系統與手持反射式多光譜影像系統，以發光二極體作為特殊波段光源與螢光刺激光源，搭配光學帶通濾波片，能夠快速量測目標物之特殊波段之反射影像或者螢光影像，以達到非侵入式快速偵測用途。而四維高光譜影像系統結合快照式高光譜相機與高解析度彩色相機，能夠同時記錄高光譜影像與高解析度影像用於建立四維高光譜

影像。上述五種光譜系統更進一步應用於牙菌斑、蓮霧果實之糖度、口腔癌、蘭花黃葉病與4D高光譜影像建立之研究;在牙菌斑方面，本論文以牙齦卟啉單胞菌 、牙周致病菌與轉糖鏈球菌作為偵測目標，在405 nm次光源下，使用偵測波段在500 nm至510 nm與635 nm波段，分類靈敏度達到99%與辨識率99%。在蓮霧糖度分析方面，前饋神經網路與卷積神經網路模型用於蓮霧糖度偵測，預測誤差在±0.55與±0.597糖度值。在口腔癌檢測部分，在刺激光源365 nm 與405 nm下，找出有效偵測波段為470 nm、505 nm、 532 nm與 550 nm，偵測之平均靈敏度96.15%、辨識度69.55%與

準確率82.85%。

應用於雙模生物資訊識別技術之低複雜度卷積神經網路硬體加速器設計

為了解決K wax Mobile01的問題，作者陳有祥 這樣論述：

近年來，隨著科技不斷的進步與技術的突破，人工智慧領域一直是一個熱門的話題。由於機器學習與硬體設備的技術逐漸發展成熟，人類利用機器來模擬大腦的行為，告訴機器所需要的特徵，透過不斷的學習與修正錯誤，完成賦予的任務，讓生活更加地便利。 人工智慧技術廣泛地應用在日常生活中，生物辨識領域為其應用之一。生物辨識是針對人類特有的生理特徵或行為特徵進行辨識，其中，靜脈與虹膜的特徵是每個人身體獨一無二的密碼，透過深度學習的方法來學習這些特徵，可以處理大量且複雜的資料，並應用在機場的通關系統和公司的門禁系統等地方。 綜合以上這些想法，本論文提出一個低複雜度的卷積神經網路用於辨識雙模式-手指靜脈與眼睛的生物辨

識系統。在軟體端模擬時，使用深度學習CAFFE的框架進行訓練，完成後可得到一個軟體等效模型。根據軟體模擬後的結果，利用高階邏輯合成器來撰寫網路架構，完成後再使用Xilinx Vivado軟體來設計硬體電路，以利驗證後續的推論時間。 在實驗結果方面，針對手指靜脈及眼睛資料集，搭配不同網路架構進行模擬與分析，使用改良後的架構，對於手指靜脈的辨識準確率為98%，而眼睛的辨識準確率為97%。在硬體驗證方面，手指靜脈的辨識準確率為98%，而眼睛的辨識準確率為97%。在推論時間方面，FPGA的運算時間比ARM CPU的運算時間快了大約40倍，達到硬體加速器的效果。