潤滑油的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

新一代 科大四技動力機械群引擎原理與實習升學寶典 - 最新版(第二版) - MOSME行動學習一點通：詳解.診斷.評量

為了解決潤滑油的問題，作者黃旺根,羅仲修 這樣論述：

　　MOSME行動學習一點通功能： 　　使用「MOSME 行動學習一點通」，登入會員與書籍序號後，可線上閱讀詳解、自我練習，增強記憶力，反覆測驗提升應考戰鬥力，即學即測即評。 　　1.詳解：至MOSME行動學習一點通（www.mosme.net）搜尋本書相關字（書號、書名、作者），登入會員與書籍序號後，即可使線上閱讀詳解。 　　2.診斷：可反覆線上練習書籍裡所有題目，強化題目熟練度。 　　3.評量：多元線上評量方式（歷屆試題、名師分享試題與影音）。 本書特色 　　1.考前衝刺：彙整各章重點全彩呈現，嚴選易於閱讀不易反光的雪銅紙，並可摺成小書隨身攜帶，陪伴讀者考前一起衝衝衝！ 　　2.重

點整理：條列式歸納整理，協助學生掌握重點。 　　3.即問即答：學後立即作答，加深印象。 　　4.隨堂練習：以節為單位，測驗自我學習效果。 　　5.綜合測驗：以章為單位，擴大練習試題層面並融入生活題。 　　6.歷屆統測精選：蒐錄近年考題，幫助學生掌握考題設計方向。 　　7.火紅素養題型：精準分析素養題型結構，掌握「測驗主題」與「核心素養」，面對跨領域素養題型也能游刃有餘！ 　　8.歷屆試題答對率與難易度：自107年度起，統一入學測驗中心公告每一選擇題的考生答對率，並依據答對率來判別試題難易度（答對率小於40%表示困難，大於等於40%、小於70%表示中等，大於等於70%表示容易）。  

潤滑油進入發燒排行的影片

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決潤滑油的問題，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

跟日商經理學上班：社會新鮮人的職場求生秘笈

為了解決潤滑油的問題，作者石川和男,宮本友美子 這樣論述：

盜亦有道，行有行規 職場規矩可沒有人白紙黑字寫給你看 出來混的，總有一天要混個明白 向同事取經？自己肉身成聖？ 有沒有不挨罵就提升等級的辦法？ 讓工作嚴謹的日本人來教你 剛踏入職場叢林就令人刮目相看的生存法則 99%的職場老鳥都這樣做 　　#不知道該怎麼融入職場，那就反過來讓日商經理告訴你他怎麼想的 　　#你不僅要學會在意別人，也要會保護自己 　　#能者多勞，但該爭取的福利還是要爭取 　　#進日商或去日本工作你更應該看這本 　　★那些公司前輩不會教你的事 　　初入職場，菜鳥定位， 　　端茶倒水，是人都會。 　　——你以為看上去不起眼的瑣碎小事， 　　背後隱藏著邁向成功的哲學， 　　做事

不要只做表面功夫， 　　注意到別人沒有發現的貼心細節， 　　才是讓人對你刮目相看的原因！ 　　做事難，做人更難。 　　不要讓你的專業被失禮給埋沒了！ 　　【儀容修養、寒暄問候、言行舉止】 　　雖說好看的皮囊千篇一律，有趣的靈魂萬裡挑一， 　　但這並不代表「外表」就不重要， 　　在商務場合上，得體的衣著和打扮， 　　都是大大加分的， 　　容貌雖然不重要， 　　但用心程度可以依靠後天打理營造出來， 　　要給人好的印象，除衣著外，也要有配得上打扮的談吐， 　　不需要舌燦蓮花， 　　禮貌真誠更能加分， 　　來看看本書如何為你打造職場禮儀課！ 　　【遣詞用句、向人搭話】 　　會說話有時候比會做事更容

易建立第一印象， 　　依照談話對象不同， 　　所要使用的詞句亦有所不同， 　　除口頭上的聯絡及報告， 　　書面上的注意事項以及收到客訴如何應對， 　　都是一門學問， 　　不要讓你的成功之路卡在第二關。 　　【電話應對、繕寫文件、電子郵件】 　　智慧型手機普及後，成為了重要的商務工具之一， 　　然而公事與私事上的處理應該注意什麼地方？ 　　如何避免不小心洩露重要資訊？ 　　每個人都不可避免應對室內電話， 　　但若是代接電話，需要抄下哪些注意事項？ 　　商務郵件及文件處理也是有秘訣的， 　　內部文件和外部文件在撰寫上有所區別， 　　做好細節，讓人對你刮目相看。 　　【制度、手續】 　　每間公司

都有不同的制度及規範要遵守， 　　然而勞工本就有基本權利， 　　各種休假制度，以及休假期間的工作交接， 　　還有每個人一生都會碰到的轉職離職等事務， 　　即便不是自己碰上， 　　哪怕身邊同事，或者替人代班， 　　你都應該了解清楚， 　　以免權利受損。 　　【效率化、人際關係】 　　職場的加分核心離不開工作本身， 　　要有亮眼的成績，首先應當提高工作效率， 　　雜亂無章的辦公桌讓你在關鍵時刻找不到資料， 　　一團混亂的電腦桌面也容易讓你寄錯檔案， 　　有邏輯的資料夾收藏方式，或檔案命名方式， 　　都讓你在關鍵時刻不掉鏈子， 　　更進一步的時間管理方式、如何進行會議， 　　還有會議過程如何記錄，

　　都是強化你工作核心不可或缺的實用技能！ 　　【婚喪喜慶、與人往來】 　　職場難免碰到同事處理「人生大事」， 　　交情好或不熟悉的應該怎麼辦？ 　　日本的禮節和習俗與台灣大不相同， 　　沒有親友可以詢問， 　　想問同事又不好意思開口， 　　這裡幫你清楚列舉表格， 　　三分鐘就上手！ 　　【商務之心】 　　職場上最重要的能力為「生產力」， 　　提升生產力有什麼好處， 　　如何做好時間管理， 　　重要的事情一籮筐， 　　怎麼排出優先順序？ 　　一天的工作分配要怎麼做？ 　　本書通通教你！ 　　【更好的關係】 　　人不能單打獨鬥， 　　工作時常圍繞著部門和團隊進行， 　　那麼你應該了解大家

的共同利益， 　　無論是縮短團隊距離， 　　或是明確階級與職位， 　　還是透過準確的SOP執行工作， 　　都是每個職場人士應當花時間學習的。 　　根據角色和職階不同， 　　連罵人和挨罵都有更好的打開方式喔！ 　　★臨時抱佛腳的速成商業用語 　　附錄精選了一些商務場合中經常碰到的英日文用語， 　　讓你初入職場不會手忙腳亂， 　　可以記在筆記本上慢慢孰悉， 　　透過商務用語提升專業程度， 　　面對外籍上司也不再害怕啦！

智慧家電購買意願之研究-以創新擴散理論 與科技接受模式為基礎

為了解決潤滑油的問題，作者張瑜庭 這樣論述：

摘要論文名稱:智慧家電購買意願之研究-以創新擴散理論與科技接受模式為基礎 頁數:45 頁校所別:國立臺北商業大學 企業管理系(所)畢業時間:110 學年度第 1 學期 學位:碩士 研究生:張瑜庭 指導教授:陳玫真關鍵詞:創新擴散理論、科技接受模型、智慧家電21 世紀興起的智慧家電，目前正處於生命週期的成長期階段，產品功能及應用的 廣泛度都還在起步階段，消費者是否願意改變原有的習慣改採用智慧家電又或是哪種 型態的智慧家電能獲取消費者的觀點。本研究根據創新擴散理論及科技接受模型，探討影響消費者購買智慧家電的因 素。經過文獻探討將科技接受模型的知覺有用性、知覺易用性，及創新擴散模型的相 對優勢、試

用性、複雜性、相容性、觀察性對於消費者購買意圖的影響提出七個假 說。在研究期間共計回收有效問卷 568 份，透過線性迴歸分析對七個假說進行驗證。 研究結果顯示:消費者知覺智慧家電的知覺有用性、知覺易用性對購買意圖有顯著正向影響;消費者知覺智慧家電的相對優勢、相容性、試用性、觀察性對購買意圖有顯著正向影響。