連鎖店、便利商店和大賣場必買資訊站論文書籍站
統測時間2022的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列特價商品、必買資訊和推薦清單
統測時間2022的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦謝龍卿寫的 2023校長主任甄試葵花寶典:109~111年度(含口試應考策略)：校長親授筆試+口試甄試技巧(校長主任甄試/教師甄試檢定) 和LiveABC編輯群的 英文閱讀特訓班：中高級篇【2022年全新修訂版】【書+朗讀MP3(可掃描QR-CODE聆聽或線上下載)+別冊】都 可以從中找到所需的評價。
這兩本書分別來自千華數位文化 和希伯崙所出版 。
朝陽科技大學 工業工程與管理系 林宏達所指導 鄭丞凱的 電腦視覺技術應用於手工具組裝之零件瑕疵檢驗 （2021），提出統測時間2022關鍵因素是什麼，來自於自動化檢驗、手工具組裝、瑕疵檢驗、R-CNN網路模式。
而第二篇論文中國醫藥大學 營養學系碩士班 姚賢宗、徐國強所指導 江宥萱的 扁實檸檬皮萃取物對大鼠藥物代謝系統及其抗氧化活性之影響 （2021），提出因為有 扁實檸檬皮萃取物、解毒系統、氧化壓力、抗氧化酵素活性的重點而找出了 統測時間2022的解答。
2023校長主任甄試葵花寶典:109~111年度(含口試應考策略)：校長親授筆試+口試甄試技巧(校長主任甄試/教師甄試檢定)
為了解決統測時間2022 的問題，作者謝龍卿 這樣論述：
幾年，有許多年輕一輩的教育好手，每每寫信或到校親自向我討教「校長術」。只是任職校長十七年的經驗，真的不能一言以蔽之。於是讓我有了寫書的衝動。 如果還是有人問我，我會回答： 「想要的話可以全部給你，去找吧！我把所有的知識都放在書裡了。」 ◎獨家！校長親授筆試+口試甄試技巧 ◎157篇最新教育議題，前瞻出題軌跡 ◎最新各縣市校長主任甄選考題解秘 一、最新教育議題前瞻 本書第一部分蒐集各大學教育相關系所，以及全國重要教育相關期刊最新的考題資訊，以議題討論的方式，為您事先模擬未來校長主任考題的出題形式與方向，俾利掌握最新最重要的考情分析。
二、應考最佳答題技巧 第二部分提供個人近二十年的校長經驗，闡述校長主任甄試準備之道與筆 試、口試應考策略並舉例說明，可讓您從中擷取考試經驗並有所遵循，進行長期抗戰。 三、歷屆試題詳解分析 第三部分提供107∼111年度各縣市校長主任筆試試題分析，並題題詳解，讓您從「破題分析」中領略如何審題、破題、精準答題的寫作技巧，並提供考題相關概念於題後的「觀念延伸」，可收一網打盡之效。 四、最新考題比重增加 校長主任甄試的考題往往與當年度流行的教育政策或法令相關最高，以111年度 為例，新冠疫情期間的線上課程與教學，就是熱門的考題。還有110年11月19日三讀通過的新法令《跟蹤
騷擾防治法》，立刻在111年的考題出現。因此，本書領先坊間群書，撰寫111年最新的考題詳解。 五、解題內容充實完整 針對每個試題的解答均採「充實完整」的原則撰寫，其目的乃在提供極大化的寫作資料。讀者切不可強背筆者所寫答案，必須去蕪存菁，將答題內容轉 化為自己的語言與思維邏輯，寫出「有血、有淚、有見解、有內涵」的佳作， 並嚴格控制每題答題字數在1200∼1500之間，因為考試時間非常有限（每題必 須25分鐘完成）。 六、書中廣佈名言佳句 本書處處有名言，時時出佳句，其目的在讓讀者涵蘊其中，內化後彰顯於外，語言與文字都充滿教育的專業。例如：「學生的進步，是學校的責任，更是校長的
使命」，讓「學校因辦學有方漸昌隆，老師因教學得法有成就，學生因學習快樂 展笑容」；「沒有教育導進的社會是瞎的；沒有社會涵濡的教育是空的。」 七、重視實務作法策略 坊間不少參考用書內容大多只是教育名詞解釋，或內容圖表的累積，網路資料所在都有，重理論而少實務。本書乃個人近二十年的治校經驗，將學校實際推動或 未來即將執行的校務絕招，理論先行，實務跟隨，透過特別設計的精美圖表分析，一點一滴無私傳授。切記命題教授與評分委員經驗豐富，不希望看到太過八股、套招，或答題內容僵化呆板的答卷，反倒期待「擲地有聲的具體作法」。 八、善用譬喻創新獨特 答題內容要寫出靈魂，就必須多用自己設計的語言（
專業用語），並且善用譬喻，讓你的文字讀來韻律十足、津津有味，並且與眾不同，如此才能勝出。例如：過去校長角色「火車跑得快，全靠火車頭」，現在校長角色「全靠車頭帶，火車跑不快」，未來校長角色「要靠車頭帶，更靠車廂自己來」，校長難為，但仍然應為，且大有可為。 九、廣納教育理論法令 個人於教育碩、博士期間，受教育理論薰陶甚篤，深感教育理論乃治校重要的哲學基礎，於是答題融會教育相關理論，深入淺出，並廣納教育法規與相關法令，諸如：《公務員服務法》、《政府採購法》、《行政程序法》、《貪汙治罪條例》及大法官會議釋字⋯⋯等，旁徵博引只為依法行政。 十、用詞深刻專業質感 答題是藝術，解題靠功力
，教育專業用詞的使用必須深刻有質感，才能激起評分委員的共鳴。例如：特色學校的發展，可以符合市場區隔，成為激發創新經營與全面品質管理的「策略性槓桿」，並將教育品質極大化；學校可尋求與醫院、圖書館、博物館等社會機構合作，共創「學校鏈結服務整合」。 十一、舉例適切論理正確 對於科學、數學、美學等考題的學科專業知識，若不是該科系畢業，舉例就必須謹慎小心不能犯錯，必須適切正確，否則扣分甚多。例如：PISA科學能力，以端午節「立蛋」為例，許多民眾相信只有端午節中午才能立蛋，甚至猜想立蛋跟端午節那天地球、月球、太陽的位置有關，其實根據邏輯推理就知道隨時都可立蛋，那只是物理力學的平衡問題。 十
二、爭論議題全面論述 對於具爭論性的議題，例如：《區域全面經濟夥伴關係協定》（RCEP）對教育的意涵與影響；數位化帶來的教育轉型與虛擬現實；《巴黎協定》淨零排放與環境教育；2022年美國佛州通過《家長教育權利法》（HB 1557，Parental Rights in Education）對性別教育的限制等，答題必須有頭有尾全面論述，不管各方意見如何不一致，最終需要找到一個平衡點，比如雙方論述各退一步，或者求同存異，最後提出自己獨特的見解。 十三、具體作法多元豐富 校長主任甄試的答題內容，幾乎每題的具體作法都是分數高低的勝敗關鍵，讀者要多累積具體作法的寫作技巧。例如：辦理新住民教育
與系列活動--(1)藝文創作比賽；(2)新住民烹飪比賽；(3)華語師資暨通譯人才培訓；(4)新住民嘉年華會；(5)新住民家庭生活體驗營；(6)新住民歌唱比賽等。 十四、適用高普教甄研究所 本書囊括教育學、教育心理學、教育行政學、教育哲學、教育社會學、課程與教學等理論，並因應學校需求提出諸多實務具體作法，因此除校長主任甄選外，同時亦適用研究所、高普考、教師檢定與教師甄試。 十五、隨時與作者線上交流 本書作者謝龍卿校長，目前任職於臺中市立霧峰國民中學，學經歷豐富且著作等身，使用的筆名有舒懷、舒淮、舒勁、舒暢，期許自己給予讀者「清涼有勁、舒暢開懷」之感，並自詡為「三舒達人」。
＊＊＊＊ 有疑問想要諮詢嗎？歡迎在「LINE首頁」搜尋「千華」官方帳號，並按下加入好友，無論是考試日期、教材推薦、解題疑問等，都能得到滿意的服務。我們提供專人諮詢互動，更能時時掌握考訊及優惠活動！
電腦視覺技術應用於手工具組裝之零件瑕疵檢驗
為了解決統測時間2022 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
英文閱讀特訓班：中高級篇【2022年全新修訂版】【書+朗讀MP3(可掃描QR-CODE聆聽或線上下載)+別冊】
為了解決統測時間2022 的問題，作者LiveABC編輯群 這樣論述：
級~中高級程度適用 ✓準備統測、學測、全民英檢中高級考試的你 ✓提升閱讀能力、增加字彙量的進階學習者 ✓適合各種英文檢定考試之補充教材 掌握閱讀技巧，讓你輕鬆看懂各種類型的英文文章！ 『閱讀測驗』是測驗語文能力的重要指標之一，不論是學測、指考、統測、全民英檢、多益、托福，閱讀測驗都是必考題型，也是一般考生最常遇到瓶頸的考試題型，因此提升英文閱讀能力及掌握閱讀技巧是很重要的學習重點。 本書共分為兩個部份，第一個部分主要在訓練閱讀技巧，第二個部分是提供大量的閱讀練習。閱讀測驗題目採混合題型，包括選擇、表格填空或簡答等兩種以上的作答方式，除了測驗讀者能否理解文
意脈絡、擷取文本重要訊息和進行分析推理等閱讀理解能力外，還要訓練讀者系統思考、解決問題、溝通表達與符號運用的能力，以期能符合108課綱所重視之素養教育的精神。 第一部分Acquiring Reading Skills 包含八個單元，主要目的在於訓練閱讀能力，透過全英文的學習方式，加上每單元都有一個搭配課文的閱讀技巧，幫助讀者無論是訓練閱讀原文書或參加各項考試，都能得心應手。 第二部分Putting the Skills into Practice 共四十二個單元，包括各種知識性、趣味性、生活化的多元主題，每篇文章搭配四題混合題，目的是要幫助讀者瞭解自己對文章的掌握度，
同時提升應考力。文章中文翻譯及混合題解答收錄於別冊中，建議讀者盡量先閱讀英文，再以中文翻譯作為輔助參考。 免下載、線上聽，聆聽朗讀MP3音檔超方便！ 本書附由專業外籍老師所錄製的朗讀MP3音檔，可利用智慧型手機掃描書封的QR-code，便可立即上網聆聽所有課程的朗讀MP，也能上官網下載完整的朗讀MP3音檔，隨時隨地都能立即聆聽，學習不受地點與時間的限制。
扁實檸檬皮萃取物對大鼠藥物代謝系統及其抗氧化活性之影響
為了解決統測時間2022 的問題，作者江宥萱 這樣論述：
台灣香檬又名「扁實檸檬」，為台灣特有的柑橘類，含有豐富川陳皮素 (Nobiletin，NOB)及橘皮素(Tangeretin)等植物類黃酮，先前研究證實大鼠餵食扁實 檸檬乾燥粉具抗發炎、抗氧化、降低體脂及肝脂之機能性，而川陳皮素為扁實檸檬 皮中含量較高的機能性成分，因此本實驗想深入探討扁實檸檬皮萃取物(Citrus depressa Hayata peel extract, CDHPE) 對肝臟解毒代謝系統及抗氧化酵素活性之影 響。實驗分為三大部份，第一部份:以 5 隻 8 週齡雄性大鼠進行管餵 CDHPE 後， 採集血液及組織進行分析，大鼠管餵 CDHPE (含 50 mg/kg NOB)
後採集血液，測得 血中 NOB 濃度曲線下面積(area under the curve, AUC)為 1.43μg/ml × h、血中最高濃 度(Maxium Concentration, Cmax)為 0.52μg/ml、NOB 達血中濃度最高之時間(Tmax) 為 0.45 小時、平均滯留時間(Mean retention time, MRT)為 3.3 小時、半衰期(Half- life, T1/2)為 2.6 小時，組織分佈測得 NOB 及 Tangeretin 兩種類黃酮化合物，在胃中 顯示含量為最高，其次是肝臟。第二部份:將 18 隻 7 週齡雄性大鼠分成 3 組，分 別為:(1
)控制組(Control)、(2)低劑量組:1.1% CDHPE (50 mg/kg NOB，飼料中含 1.1% CDHPE)、(3)高劑量組:2.2% CDHPE (100 mg/kg NOB，飼料中含 2.2% CDHPE)，連續處理 7 天，取血漿、肝臟及小腸組織進行分析。實驗結果顯示，在 小腸方面，CDHPE 會增加小腸 CYP1A1、CYP3A 活性，表示短期攝取可能會增加 phase I 藥物代謝能力。在肝臟方面，會增加 CYP1A1、1A2、2B、2C 及 2E1 活 性，並提高 UDP-glucuronosyltransferase(UGT) 及 glutathione S-t
ransferases(GST) 的 活性，降低活性氧(reactive oxygen species, ROS)含量，結果顯示 CDHPE 會提高肝 臟藥物代謝能力並降低肝臟氧化壓力。第三部份，將 10 隻 8 週齡雄性大鼠分成 2 組，分別為:(1)控制組(Control)、(2) 1.1% CDHPE (50 mg/kg NOB，飼料中含 1.1% CDHPE)，連續處理 7 天，老鼠隔夜禁食後給予苯并[a]芘(Benzo[a]pyrene, B[a]P) 25 mg/kg，觀察 6 小時內 B[a]P 之血液濃度變化，結果顯示 CDHPE 會降低 6 小時內B[a]P 之血液濃度(AU
C) 、血中最高濃度(Cmax)及 B[a]P 達血中濃度最高之時間 (Tmax)。