111統測考程的問題，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

2023家政概論與家庭教育[歷年試題+模擬考]：近年試題+全範圍模擬考(升科大四技二專)

為了解決111統測考程的問題，作者范穎芳 這樣論述：

　　本題庫內容根據民國108年教育部修正發布之技術高中家政群「家政概論與家庭教育」課程綱要編寫而成。統一入學測驗考試專業科目(一)「家政概論、家庭教育」這一科，結合兩科內容、範圍廣大，因此篩選、歸納、整理兩科內容之題目，並撰寫詳細解析而集結成此題庫，讓你能透過大量寫題、解題，在時間有限的情況下系統性的複習該考科。   　　111年統一入學測驗考題相較於以往，多了素養導向、情境融入式考題，考生須先閱讀文章段落，再回答約3～4題的系列題組，以解決實際生活可能發生的問題。本書模擬試題中也以此模式出題，讓考生能夠更熟悉考試題型。 在內容呈現方面，分為以下三部分：   　　第一部分 主題式實力加強題

庫： 　　 　　依據新課綱家政概論、家庭教育課本內容中的章節作為劃分，精選各主題及章節中常見的考題，考生可以在研讀一個章節後，以第一部分進行小範圍的試題練習，檢核短期的學習成果，並精熟各章節常考的內容。    　　第二部分全範圍綜合模擬考：   　　比照歷屆考題的布題比例，本書共有10回模擬考，並且在考題中加入最新的情境式題組題。模擬考屬於大範圍的練習題，可以做為大考前的全單元複習，若能計時測驗，將能夠更快適應考試，找到自己答題的節奏。   　　第三部分 近年統測試題： 　　 　　收錄了近10年的歷屆試題，且提供詳細解析，若前兩部分的考題已熟記，並將錯題詳細訂正，可將第三部分歷屆試題作為總驗收

，以更了解自己仍須加強之處!   　　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！

111統測考程進入發燒排行的影片

父女間親子界限對成年初顯期女性自傷行為之預測：以述情障礙為中介預測變項

為了解決111統測考程的問題，作者李琦萱 這樣論述：

本研究目的在於探討成年初顯期女性自傷行為現況以及華人父女界限類型之內涵，並從界限、述情障礙、自傷行為兩兩變項間的關係，檢視界限對述情障礙與自傷行為之預測力，以及述情障礙對自傷行為之預測力，進而探討述情障礙在其中的中介預測效果。 本研究以線上的問卷調查法進行，使用親子互動行為量表、述情障礙量表及自我傷害量表做為研究工具，並以台灣成年初顯期女性為研究對象，預試研究收集264份有效樣本以修訂量表；而正式研究則收回528份有效樣本，以檢證本研究問題與假設。研究結果顯示：1. 不同背景變項下的女性之自傷行為沒有顯著差異。2. 父女間屬於權威侵犯或矛盾糾結的界限類型，女兒會有較高的述情

障礙；而屬於權威侵犯的界限類型，女兒會有較多的自傷行為。3. 父女界限可預測女兒之述情障礙程度。4. 父女之間的「彼此親密行為」並無法預測女兒自傷行為的發生，而愈多的「彼此追逃行為」會使女兒愈容易產生自傷行為。5. 女性的述情障礙可預測其自傷行為。6. 述情障礙在「彼此親密行為」與自傷行為之間具完全中介預測效果，在「彼此追逃行為」與自傷行為之間則具部分中介預測效果。 本研究的主要結論包括：父女界限會影響個體情緒辨識與表達功能的發展，其中彼此追逃行為的影響力遠勝於彼此親密行為。而當個體在情緒辨識與表達遭遇困難，則非常可能導致自傷行為。

2023機械基礎實習、製圖實習[歷年試題+模擬考]：課綱重點無所遺漏!(含111年統測試題解析)(升科大四技二專)

為了解決111統測考程的問題，作者何曜辰 這樣論述：

　　◎收錄111年統測機械基礎實習、製圖實習試題與解析 　　◎主題式題庫演練．提昇自身應考實力 　　◎高分模擬測驗．以戰養戰．經驗值快速提升 　　◎近年試題彙編．命中考試核心 　　機械領域的學生對「機械基礎實習」與「製圖實習」這兩門科目應不陌生，相信在學校的課程中都讓各位學生對這兩門科目有了一個最基本的認知。 　　本書機械基礎實習部分配合108課綱主題，將各類試題一一破解。 　　而在製圖實習部分同樣也是依循108課綱而來，加以分類統整收錄於書中，且每一題都有詳細解析。 　　本書依據最新課綱編寫而成，除了可藉由本書掌握重點之外，如能有計畫的研讀及複習，細心演練每一道題

目。準備此科並不困難，書中更收錄了99~111年統測之近年試題，題題均有詳細解析，讓你迅速掌握考試重點，善用此書，必能在考試中試試如意，金榜題名！ 　　110年命題落點分析 　　機械基礎實習 　　比較題型是今年的出題模式，這樣的趨勢也應該會反映在明年108課綱第一屆的考題出法上，練習題複習不足的人，很容易無法找到作答的方向，比較題型的提問較艱深，但也非找不到答案，課本的內容詳讀也是必須的工作，題庫的練習會有增強面對考試的應答能力。 　　製圖實習 　　機械製圖工作圖的出題比例一直是重點，因應108課綱，比較題題型數量也逐步增加，課本的了解是作答上一個很重要的基礎，透過重點的整理及練習題型的作

答，會讓你在面對考試上，有更大的信心，大量的練習考題是對考試最大的幫助 。 　　＊＊＊＊ 　　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111統測考程的問題，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