ai影像辨識的問題，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

構建5G智慧交通數位神經中樞(1/2)：功能架構探討與系統規劃[111粉]

為了解決ai影像辨識的問題，作者蘇昭銘,林良泰,王晉元,張建彥,黃啟倡,林至康,曾明德,張志鴻,何文基,游文松,侯珊瑜,吳姿樺,吳東凌,周家慶,何毓芬 這樣論述：

　　因應5G資通訊技術全球發展趨勢，並基於數位轉型及數位雙生等數位治理觀念，本計畫借鏡國際上對於智慧交通管理諸多新的探討，結合5G與AIoT相關跨域技術，提出「智慧交通數位神經中樞」之系統整體規劃構想，包括︰即時偵測、資料分析、預測模型、3D視覺化模型、人工智慧規劃決策模型、即時決策知識庫及即時處理反應機制等七項主要功能，並於計畫中，探討智慧交通數位神經中樞應如何從多元交通數據資料中，透過解析並提取出重要資訊，構建未來交通量資訊預測模式，再轉換為資訊服務進行發佈。   　　本計畫亦探討現有都市交通控制系統的通訊協定與控制，以及如何與國際主流車聯網通訊協定標準的無縫接軌，以因應自動駕駛車輛、

電信車聯網與人工智慧來臨的都市交通管理與標準化需求。並於本計畫驗證實作與路口燈號控制的號誌控制器統合運作，蒐集多元資訊提供行程規劃服務，於緊急車輛抵達路口前採用5G C-V2X傳輸設備與路側設施建立連線，提供優先號誌服務以確保緊急車輛優先安全通行路口，進而落實交通安全並提升緊急救援車輛之運作效率。

ai影像辨識進入發燒排行的影片

基於深度學習之視覺辨識之除蟲機器人

為了解決ai影像辨識的問題，作者吳子健 這樣論述：

根據統計，台灣農藥每單位用量，每公頃平均最高曾到十七公斤，居高世界第一位。而農藥用多了，食品內的農藥濃度便會提升，對土壤和人體都會產生嚴重影響。因此近年出現了許多的有機農場，有機農場的要求是不使用人工化學合成農藥丶人工合成肥料等等。但是有機種植的困難多，由其蟲害的問題更是讓農夫十分頭痛。解決蟲害最快的方式是直接用人進行觀察並除蟲。但是近年來台灣的高齡化丶少子化與新冠肺炎(Covid-19)的多重影響下，使勞動力大幅下降。 因此本文提出一種智能除蟲機器人，其結合了人工智能(Artificial intelligence, AI)丶深度攝影機丶自走車丶小型機器手臂與麥克納姆輪等裝置，應用於有機農

場中的自動除蟲機器人。除蟲機器人包括三個系統：視覺系統丶移動機構和驅蟲裝置。其中視覺系統能夠對害蟲辨識，也能夠取得距離。再把害蟲的位置傳給移動機構，機器人便會移動到害蟲的面前。最後使用驅蟲裝置，轉動機器手臂並啟動除蟲器，完成除蟲動作。

Flag’s 創客‧自造者工作坊 用 AI 影像辨識學機器學習

為了解決ai影像辨識的問題，作者施威銘研究室 這樣論述：

　　不同於常見機器學習皆是由 Python 語言實作, 本書使用 JavaScript 語言於瀏覽器實作機器學習, 搭配著名的 JS 機器學習函式庫 ml5.js 可以更快速且便利地達成 AI 網頁應用, 對於許多熟悉 JS 語言的前端工程師或使用者更為親近, 實驗過程使用 p5.js 程式庫, 讓沒有太多程式設計基礎的使用者也可以更輕鬆將結果視覺化, 再搭配使用 p5.js web editor 線上開發環境, 只需要使用瀏覽器就可以開始輕鬆設計網頁, 不需要在自己的主機建構繁瑣的開發環境, 再搭配 Python 編寫控制板程式, 將應用結合至感測器或實體輸出裝置, 實現更完整的機器學習

應用實例。   　　本書一開始會先介紹機器學習概念與 p5.js web editor 線上開發環境基本操作, 接著直接體驗使用 ml5.js 中的現有模型, 實作可以辨識特定物件的影像分類器。   　　除了網頁實作神經網路外, 可再串連硬體控制板, 藉由控制板輸出預測結果, 比如使用物件偵測來判斷是否有人出現, 對應的 OLED 顯示器模組就會出現迎賓文字或相關訊息；或是語音辨識讓玩家用語音來控制遊戲, 遊戲結束後會通知控制板啟動振動馬達回饋給玩家。   　　最後會使用 ml5 程式庫實際訓練自己的神經網路模型, 首先為利用控制板蒐集感測器資料, 再透過神經網路訓練解決迴歸問題, 如藉由溫度

感測器的訊號, 找出感測值與實際溫度的關係, 做出自製即時電子溫度計, 再結合可以即時顯示畫面去背效果的 U-Net 模型, 就可以使用環境溫度來改變虛擬背景特效。   　　接著為解決分類問題的神經網路, 使用現成的 Facemesh 模型找出臉部特徵點, 分別蒐集臉部不同的角度資料進行訓練, 最終得到一個可以辨識是否打瞌睡的模型, 再串接實體蜂鳴器在打瞌睡時, 發出警報聲提醒使用者。   　　最後訓練的神經網路為卷積神經網路, 透過蒐集配戴口罩與否的不同照片作為訓練資料, 經過卷積神經網路訓練後, 就可以用此模型來判斷畫面中的人是否有正確配戴口罩, 再結合模擬門鎖的伺服馬達, 建構出一套口罩

門禁系統的概念。   　　本產品除實驗手冊外，實驗過程中有任何問題或是建議都可以在 Facebook 粉絲專頁《旗標創客‧自造者工作坊》中留言，即有專人為您服務。   　　本產品 Windows / Mac 皆適用　 　　操作本產品需要視訊鏡頭及麥克風 (筆電內建或 USB 外接 webcam 皆可) 　 本書特色   　　● 用 JavaScript 升級網頁添加機器學習能力 　　● 結合硬體展現機器學習成果實作物聯網應用 　　● 從感測器蒐集資料、訓練模型到應用完整學習

利用Haar-like特徵辨識於建築

為了解決ai影像辨識的問題，作者陳欣詞 這樣論述：

人工智慧的辨識技術於近年有十分顯著的進步，雖然應用廣泛：如車牌辨識、指紋辨識、人臉辨識、植物辨識…等，目前尚未見於建築物辨識的應用。旅人於熱門景點拍照時，常需花費很多的時間和體力去尋找一個滿意的拍攝角度。基於此需求，我們針對有特定建築物的場景，提出一即時自動辨識建築物並顯示出人像最佳拍攝角度的構想。系統的建置過程需分為三階段。第一階段：特定建築物的辨識，第二階段：建築物資料庫的建立，第三階段：人與建築物的最佳視角合成畫面。本研究目的著重在第一階段的建置，利用人工智慧（artificial intelligence AI）技術，進行建築物的自動辨識。辨識過程使用 OpenCV 提供的自行訓練機

制建立建築物的 Haar-based 特徵分類器模型。以「高雄市鳳山長老教會」為例，訓練並建立該物件的 Haar-based特徵分類器模型，再使用自行建立的 Haar-based 特徵分類器模型來偵測目標建築。本實驗測試圖片中，皆成功辨識出輸入之建築物的特徵值。利用Haar-like特徵辨識於建築成功率極高，因此Haar-like結合Adaboost 分類學習演算法不只能應用於車牌、人臉或物品，建築也是可行的。