112統測時間的問題，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

超人60天特攻本：數位科技概論與應用(112年統測適用)

為了解決112統測時間的問題，作者薛博仁 這樣論述：

　　依據108課綱，升科大/四技/二專必備專書 　　抓住重點、掌握趨勢、精選題目，考前衝刺效率更加倍！ 　　✽60單元好複習：歸納歷年得分重點 60 大單元，輕鬆運用一天一單元的架構，快速完成統測複習。 　　✽趨勢導向看清楚：依照108~111 年統測考題進行統計分析，讓考生清楚統測命題趨勢。 　　✽統測考題即時通：由統測題型重新變化出題，即時透過單元測驗檢視自己的學習狀態。 　　✽專有名詞全收錄：彙整常見專有名詞，一網打盡、迅速吸收。 　　✽單位&計算題大彙整：重要計量單位&計算題一次到位，建構致勝關鍵。 　　✽輕薄小巧好攜帶：比十吋平板還小本，便於攜

帶、隨時複習。 　　✽跨領域加深加廣：運用專業延伸，有效銜接大學課程，跨領域學習創造斜槓歷程。

112統測時間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112統測時間的問題，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

敏捷測試：以持續測試促進持續交付

為了解決112統測時間的問題，作者朱少民 這樣論述：

互聯網產品的快速反覆運算，讓敏捷開發在各個領域都得到了廣泛應用。同時，也加快了敏捷測試在各家企業落地生根的進程。 本書由測試領域老兵聯合10余位測試專家對敏捷測試的實踐經驗匯總、整理而成。本書分為10章和4個附錄。從敏捷開發和敏捷測試基礎、人的因素、敏捷測試基礎設施、分析與計畫、設計與執行、測試右移、收尾與改進、展望等角度入手，幾乎涵蓋實現高效敏捷測試所需的各個方面的知識，以及測試思維、測試流程、測試基礎設施和一系列的優秀實踐，對提高測試效率進而提升產品交付品質具有重大的指導意義。 本書理論知識與實際案例深度結合，輔以思維導圖、延伸閱讀等模組，深入淺出，尤其適合有一定測試實踐經驗的軟體品質

保障和測試人員，想要較為深入瞭解敏捷測試的專業人士閱讀參考。 朱少民 國內知名測試專家、同濟大學特聘教授、軟體綠色聯盟標準評測組組長、《軟體學報》審稿人、QECon大會發起人。 近30年來，一直從事軟體測試、品質管制等工作，先後獲得安徽省、原機械工業部、青島市等多項科技進步獎，出版《全程軟體測試》《軟體測試方法和技術》《軟體品質保證和管理》《軟體專案管理》等10餘部著作。 近5年來，致力於幫助國內近百家企業提升其軟體研發能力水準，並經常在國內外學術會議或技術大會上發表演講，擁有個人公眾號“軟體品質報導”，曾任思科（中國）軟體有限公司QA（品質保證）高級總監，及IEEE IC

ST論壇主席、IEEE QRS和DSA、NASAC程式委員等。 李潔 中科創達軟體股份有限公司測試總監，曾任IBM研發經理，索尼瑞典分公司高級測試經理，諾基亞及Polycom QA總監。擁有20餘年軟體測試技術經驗及管理經驗。在測試專業雜誌發表過多篇文章。 第 1 章　 鋪墊：敏捷開發價值觀、原則與實踐／ 1 導讀／ 1 1．1　敏捷開發模式的由來／ 2 1．1．1　新產品開發方式Scrum ／ 3 1．1．2　羽量級軟體發展方法／ 5 1．1．3　敏捷宣言的誕生／ 6 1．2　敏捷價值觀／ 7 1．3　敏捷開發原則／ 8 1．4　常見的敏捷開發框架／ 9 1．4．1　極

限程式設計／ 9 1．4．2　行為驅動開發／ 13 1．4．3　特性驅動開發／ 15 1．4．4　Scrum 開發框架／ 17 1．5　敏捷與看板、精益的關係／ 20 1．5．1　看板／ 21 1．5．2　精益軟體發展實踐／ 23 1．6　敏捷與DevOps 的關係／ 26 本章小結／ 29 延伸閱讀／ 29 第 2 章　基礎：敏捷測試之道／ 31 導讀／ 31 2．1　什麼是敏捷測試／ 32 2．1．1　從一個真實的案例說起／ 32 2．1．2　敏捷測試的含義／ 35 2．1．3　敏捷測試的其他定義／ 36 2．2　傳統測試與敏捷測試／ 38 2．2．1　 鳳凰項目：一個IT 運維的傳奇故

事／ 38 2．2．2　3 步工作法／ 39 2．2．3　鳳凰項目改造前後對比／ 40 2．2．4　傳統測試和敏捷測試的區別／ 41 2．3　敏捷測試的思維方式／ 41 2．3．1　固定性思維與敏捷思維／ 42 2．3．2　成長性思維／ 42 2．3．3　以實例來辨析不同思維的測試工程師／ 43 2．3．4　團隊對品質負責的思維／ 44 2．3．5　上下文驅動的思維與用戶思維／ 45 2．4　敏捷測試流程解析／ 45 2．4．1　Scrum 模式下的測試流程／ 45 2．4．2　敏捷測試的通用流程／ 47 2．4．3　敏捷測試流程閉環與持續測試／ 48 2．4．4　 從敏捷專案管理角度來看測試

流程／ 49 2．5　新的敏捷測試四象限／ 50 2．5．1　敏捷測試四象限之歷史／ 50 2．5．2　新的敏捷測試四象限簡介／ 52 本章小結／ 53 延伸閱讀／ 54 第 3 章　人是決定性因素／ 55 導讀／ 55 3．1　敏捷團隊究竟要不要專職的測試人員／ 56 3．1．1　問題的提出及各方的理由／ 56 3．1．2　根據上下文來確定是否需要／ 58 3．1．3　存在即合理／ 59 3．2　配備專職敏捷測試人員時的操作／ 60 3．2．1　Etsy 公司的優秀實踐／ 60 3．2．2　敏捷測試人員的責任和具體任務／ 61 3．2．3　測試人員和開發人員的分工／ 63 3．2．4　測試

敏捷化對團隊意味著什麼／ 64 3．3　沒有專職的測試人員時的操作／ 64 3．3．1　是否借助灰度發佈和一鍵回滾／ 65 3．3．2　消除系統測試不足帶來的影響／ 66 3．3．3　加強敏捷接受度測試和ATDD 的實踐／ 67 3．3．4　應對其他挑戰／ 67 3．4　借助測試負責人角色完成團隊轉型／ 68 3．4．1　冰凍三尺並非一日之寒／ 69 3．4．2　多數團隊不是Google ／ 70 3．4．3　測試負責人角色的責任和具體實踐／ 71 3．4．4　測試主負責人角色／ 72 3．5　 如何創建有強烈品質意識的學習型團隊／ 73 3．5．1　達成品質共識／ 73 3．5．2　營造良好

的品質文化氛圍／ 73 3．5．3　創建學習型團隊／ 74 3．5．4　業務學習與缺陷根因分析／ 76 3．6　如何更好地為測試而學／ 76 3．6．1　系統性思維訓練／ 77 3．6．2　創造性思維訓練／ 79 3．6．3　如何提升測試自動化能力／ 80 3．6．4　如何學習測試建模／ 80 3．6．5　借力提升自己／ 81 3．7　如何與產品、開發等角色協作／ 82 3．7．1　團隊協作的五大障礙／ 82 3．7．2　團隊協作高於一切／ 84 3．7．3　達成對品質及其管理的共識／ 85 3．7．4　溝通的技巧／ 86 本章小結／ 87 延伸閱讀／ 87 第 4 章　構建強大的敏捷測試基

礎設施／ 89 導讀／ 89 4．1　持續集成與持續交付意味著什麼／ 90 4．1．1　敏捷的目標／ 91 4．1．2　持續集成中的測試活動／ 91 4．1．3　持續交付中的測試活動／ 93 4．1．4　持續集成+ 持續測試是關鍵／ 94 4．1．5　持續部署／ 95 4．1．6　持續運維／ 95 4．2　測試如何融入持續集成/ 持續交付環境／ 95 4．2．1　支撐持續集成的測試環境／ 96 4．2．2　支撐持續交付的測試環境／ 96 4．2．3　CI/CD 流水線中的測試過程／ 97 4．3　基於DevOps 的測試基礎設施構成／ 99 4．3．1　DevOps 的測試／ 100 4．3．

2　DevOps 測試基礎設施／ 101 4．3．3　基礎設施即代碼／ 103 4．3．4　對基礎設施進行驗證——Testinfra ／ 104 4．4　虛擬機器技術與容器技術的應用／ 105 4．4．1　虛擬化技術——虛擬機器技術和容器技術／ 106 4．4．2　Sidecar 模式——容器的設計模式／ 107 4．4．3　虛擬化技術之NUMA 和DPDK ／ 108 4．4．4　服務虛擬化的利器——Hoverfly ／ 109 4．4．5　Molecule——虛擬化技術的自動化測試工具／ 111 4．4．6　Kubernetes 與測試環境／ 112 4．5　如何完成自動部署／ 113 4

．5．1　配置即代碼——CI 配置管理工具：Ansible、Chef ／ 114 4．5．2　微服務的容器化部署／ 116 4．5．3　微服務在CI 環境中的自動化部署／ 117 4．5．4　 Docker 容器的集群管理之Kubernetes ／ 119 4．5．5　 基礎架構即代碼的工具——Terraform、CloudFormation ／ 122 4．5．6　 管道即代碼的工具——Concourse、Drone ／ 123 4．5．7　 新一代的部署體驗——Serverless 軟體系統架構／ 125 4．5．8　產品發佈之導流模式／ 125 4．6　如何完成全自動的BVT ／ 126

4．6．1　BVT 要驗證哪些點／ 126 4．6．2　不穩定的情況——Flaky ／ 128 4．7　自動的靜態測試和測試報告生成／ 130 4．7．1　代碼分析（靜態測試）／ 130 4．7．2　優秀的靜態測試工具／ 131 4．7．3　靜態測試報告的自動生成／ 131 4．7．4　自動化測試報告的自動生成／ 135 4．8　測試分層策略與金字塔模型／ 139 4．9　搭建敏捷自動化測試框架及其案例分析／ 140 4．9．1　自動化測試框架的構成／ 140 4．9．2　自動化測試框架的分類／ 142 4．9．3　單元測試框架JUnit 5 ／ 143 4．9．4　API 層的TA 測試框

架Karate ／ 144 4．9．5　接受度測試框架Ginkgo ／ 146 本章小結／ 148 延伸閱讀／ 149 第 5 章　測試左移更體現敏捷測試的價值／ 150 導讀／ 150 5．1　沒有ATDD，就沒有用戶故事的可測試性／ 151 5．1．1　可測試性的概念／ 151 5．1．2　需求、設計和代碼等不同層次的可測試性／ 152 5．1．3　用戶故事的可測試性和ATDD ／ 153 5．1．4　ATDD 與TDD（ UTDD）的關係／ 154 5．1．5　如何具體實施ATDD ／ 156 5．2　 產品價值分析：商業畫布、影響地圖與用戶故事地圖／ 156 5．2．1　產品價值是基

礎／ 157 5．2．2　商業畫布／ 158 5．2．3　影響地圖／ 160 5．2．4　用戶故事地圖／ 161 5．3　從Epic 到用戶故事完成需求評審／ 162 5．3．1　通用的評審標準／ 163 5．3．2　Epic 的評審／ 164 5．3．3　用戶故事的評審／ 166 5．4　不可忽視的設計評審／ 169 5．4．1　設計評審的價值和重要性／ 170 5．4．2　如何完成架構評審／ 170 5．4．3　有層次的（元件）評審／ 172 5．4．4　介面定義的評審／ 173 5．4．5　設計的可測試性／ 173 5．5　BDD 及其自動化實踐／ 174 5．5．1　什麼是BDD ／

174 5．5．2　BDD 和測試的關係／ 175 5．5．3　現有的BDD 自動化測試框架／ 177 5．5．4　BDD 實例／ 179 5．5．5　BDD 實踐中的常見問題／ 183 5．6　再進一步，讓產生實體需求落地／ 183 5．6．1　什麼是產生實體需求／ 183 5．6．2　產生實體需求的過程／ 185 5．6．3　RBE 的自動化實現／ 190 5．7　單元測試是否必須TDD ／ 191 5．7．1　為何TDD 是必需的／ 191 5．7．2　如何做好TDD ／ 192 5．7．3　UTDD 測試原則／ 193 5．7．4　UTDD 的具體實踐／ 194 本章小結／ 195 延

伸閱讀／ 196 第 6 章　敏捷測試的分析與計畫／ 197 導讀／ 197 6．1　基於上下文驅動思維的測試分析／ 198 6．1．1　上下文驅動測試流派／ 198 6．1．2　品質標準／ 201 6．1．3　專案背景／ 202 6．1．4　產品元素／ 204 6．2　如何培養自己的業務與用戶體驗分析技能／ 205 6．2．1　用戶思維／ 205 6．2．2　場景是測試需求的靈魂／ 206 6．2．3　業務分析／ 207 6．2．4　用戶體驗要素／ 208 6．3　敏捷測試的主要風險在哪裡／ 209 6．3．1　需求不清晰／ 210 6．3．2　需求頻繁變更／ 211 6．3．3　時間太緊

張／ 211 6．3．4　自動化測試的有效性／ 212 6．3．5　測試風險專案檢查表／ 212 6．3．6　風險控制／ 213 6．4　啟發式測試策略與測試策略的制定／ 215 6．4．1　什麼是測試策略／ 215 6．4．2　啟發式測試策略模型／ 216 6．4．3　快速、高效地制定測試策略／ 218 6．5　代碼依賴性分析與精准測試／ 220 6．5．1　精准測試／ 221 6．5．2　如何建立測試用例和代碼的映射關係／ 222 6．5．3　代碼依賴性分析／ 223 6．5．4　代碼的變更分析／ 225 6．5．5　測試用例集如何優化／ 225 6．5．6　優秀實踐／ 226 6．6　敏

捷測試要不要計畫／ 227 6．6．1　測試計畫的價值／ 227 6．6．2　一頁紙的測試計畫／ 228 6．6．3　如何編寫一頁紙的測試計畫／ 229 6．7　探索式測試與基於腳本的測試／ 232 6．7．1　什麼是探索式測試／ 232 6．7．2　探索式測試的應用場景／ 233 6．7．3　基於腳本的測試／ 234 6．7．4　 探索式測試與基於腳本的測試的比較／ 235 6．7．5　敏捷擁抱探索式測試／ 236 6．8　SBTM 的由來及使用／ 237 6．8．1　SBTM 的由來／ 237 6．8．2　真正理解會話／ 237 6．8．3　測試計畫分解成多個子目標／ 239 6．8．4　

測試子目標進一步分解為會話／ 240 6．9　一個應用SBTM 的真實案例／ 241 6．9．1　案例背景／ 241 6．9．2　挑戰在哪裡／ 242 6．9．3　測試子目標分解的結果／ 242 6．9．4　幾個典型的會話／ 243 6．9．5　會話表／ 246 6．9．6　口頭彙報／ 247 6．10　敏捷測試分析與計畫的案例／ 248 6．10．1　資訊收集／ 249 6．10．2　測試目標／ 249 6．10．3　通過測試分析得到測試範圍／ 250 6．10．4　根據測試分析進行風險分析和控制／ 251 6．10．5　基於風險的測試策略／ 252 6．10．6　測試計畫／ 253 本章小

結／ 254 延伸閱讀／ 255 第 7 章　敏捷測試的設計與執行／ 256 導讀／ 256 7．1　正確理解DoD 與敏捷中的接受度測試／ 257 7．1．1　什麼是DoD ／ 257 7．1．2　如何創建DoD ／ 258 7．1．3　DoD 和敏捷接受度測試的關係／ 260 7．1．4　如何驗證DoD ／ 261 7．2　如何將用戶故事轉化為測試用例／ 261 7．2．1　轉換為場景／ 262 7．2．2　場景離測試用例還差一步／ 263 7．2．3　使用者故事轉化為測試用例的模型／ 263 7．3　基於場景/ 事件流的測試用例設計／ 265 7．3．1　事件流圖／ 265 7．3．2

　在敏捷測試中的應用／ 266 7．3．3　狀態圖與有限狀態機／ 268 7．4　探索式測試過程與生態／ 270 7．4．1　調查、分析、排序和實驗／ 270 7．4．2　以分析為中心／ 270 7．4．3　自我管理環、學習環／ 271 7．4．4　協作環與測試環／ 272 7．5　探索式測試中的角色扮演與場景挖掘／ 272 7．5．1　批判性思維與探索式測試設計執行／ 272 7．5．2　角色扮演／ 273 7．5．3　場景挖掘／ 274 7．6　探索式測試的具體技巧／ 276 7．6．1　業務路徑測試／ 277 7．6．2　遍歷測試／ 279 7．6．3　極限情況的測試／ 279 7．6．

4　異常情況的測試／ 280 7．7　測試自動化設計模式：一步到位／ 280 7．7．1　基於模型的自動化測試／ 281 7．7．2　狀態圖生成測試用例／ 281 7．7．3　測試資料的自動生成／ 284 7．8　UI 腳本開發與維護的常用技巧／ 287 7．8．1　指令碼語言和測試框架的選擇／ 287 7．8．2　UI 元素定位／ 288 7．8．3　測試代碼的模組化和參數化／ 291 7．8．4　Selenium 集成自動化測試框架／ 293 7．8．5　Page Object 設計模式／ 295 7．8．6　隱式等待／ 296 7．9　 質效合一：自動化測試和手工測試的完美融合／ 296

7．9．1　一個關於測試策略的案例／ 296 7．9．2　新功能手工測試，回歸測試自動化／ 297 7．9．3　探索未知的，自動化已知的／ 299 7．9．4　自動化回歸測試怎麼做／ 300 7．10　優先實現面向介面的測試／ 300 7．10．1　介面（API）測試越來越重要／ 301 7．10．2　介面測試示例／ 301 7．10．3　如何獲取介面資訊／ 304 7．10．4　契約測試和微服務的介面測試／ 306 7．10．5　API 持續測試平臺：API Fortress ／ 308 本章小結／ 308 延伸閱讀／ 309 第 8 章　測試右移：從敏捷到DevOps ／ 310 導讀

／ 310 8．1　線上性能測試／ 311 8．1．1　全鏈路壓測／ 311 8．1．2　線上性能監控／ 313 8．1．3　流量重播技術／ 314 8．2　A/B 測試／ 316 8．2．1　什麼是A/B 測試／ 316 8．2．2　A/B 測試的設計／ 317 8．2．3　A/B 測試平臺與測試執行／ 319 8．2．4　關於用戶體驗的度量／ 320 8．3　監控告警系統／ 321 8．3．1　日誌分析及Elastic Stack 的使用／ 323 8．3．2　調用鏈分析及SkyWalking 的使用／ 324 8．3．3　指標監控及Prometheus 的使用／ 327 8．3．4　監控

系統解決方案／ 329 8．4　安全性監控／ 330 8．5　混沌工程／ 331 8．5．1　混沌工程的由來／ 332 8．5．2　基於故障注入的測試／ 333 8．5．3　混沌工程平臺與工具／ 334 8．5．4　混沌工程的具體實施／ 336 8．5．5　為系統彈性做好設計／ 337 8．6　智能運維與測試／ 340 8．6．1　從自動化運維到智慧運維／ 340 8．6．2　智能運維的典型場景／ 341 本章小結／ 342 延伸閱讀／ 343 第 9 章　敏捷測試的收尾與改進／ 344 導讀／ 344 9．1　如何分析測試結果和評估測試工作的品質／ 345 9．1．1　如何評估敏捷測試過程

／ 345 9．1．2　敏捷測試過程的度量體系／ 346 9．1．3　測試工作品質的分析／ 348 9．1．4　代碼覆蓋率／ 348 9．1．5　功能覆蓋率／ 349 9．1．6　業務覆蓋率／ 349 9．1．7　基於缺陷分析測試品質／ 350 9．2　如何獲得良好的可追溯性、視覺化／ 350 9．2．1　測試管理系統／ 351 9．2．2　需求與測試用例的映射關係，以及測試用例與缺陷的映射關係／ 352 9．2．3　示例：Jira + Zephyr 實現可追溯性／ 353 9．2．4　測試與品質度量的視覺化／ 355 9．2．5　品質雷達圖／ 357 9．3　敏捷測試優秀實踐／ 357 9．

3．1　微軟的優秀實踐／ 358 9．3．2　谷歌的優秀實踐／ 359 9．3．3　亞馬遜的優秀實踐／ 360 9．3．4　ThoughtWorks 的優秀實踐／ 361 9．3．5　騰訊的優秀實踐／ 364 9．3．6　阿裡巴巴的優秀實踐／ 365 9．4　敏捷過程的反思與持續改進／ 366 9．4．1　敏捷過程的反思／ 367 9．4．2　敏捷測試過程的改進分析／ 368 9．4．3　資料驅動改進／ 369 9．4．4　PDCA 迴圈／ 369 9．4．5　根因分析／ 371 本章小結／ 372 延伸閱讀／ 372 第 10 章　敏捷測試的展望／ 374 導讀／ 374 10．1　大資料

的測試／ 375 10．1．1　大數據的特性與挑戰／ 376 10．1．2　大資料的測試方法／ 378 10．1．3　大資料的測試實踐／ 380 10．1．4　大資料的測試工具／ 381 10．2　人工智慧系統的測試／ 382 10．2．1　人工智慧系統的不確定性和不可解釋性／ 383 10．2．2　人工智慧系統的白盒測試／ 384 10．2．3　人工智慧系統的演算法驗證／ 386 10．2．4　示例：針對智慧語音的設計與執行／ 388 10．3　人工智慧助力敏捷測試／ 392 10．3．1　基於圖像識別技術的UI測試／ 392 10．3．2　基於人工智慧的、全自動化的API 測試／ 397

10．3．3　人工智慧助力代碼深度分析／ 399 10．3．4　人工智慧驅動測試／ 401 10．3．5　人工智慧測試工具／ 403 10．4　敏捷測試工具的未來／ 406 10．4．1　敏捷測試工具的發展趨勢／ 406 10．4．2　MBT 的前景如何／ 408 10．4．3　無代碼化的測試自動化／ 409 10．5　徹底實現持續測試／ 413 10．5．1　重新理解持續測試／ 414 10．5．2　持續測試的實現框架／ 415 10．5．3　持續測試成熟度模型／ 424 10．5．4　徹底的持續測試／ 425 本章小結／ 426 延伸閱讀／ 427 附錄A　基於Kubernetes 和D

ocker搭建Jenkins 可伸縮持續集成系統／ 428 導讀／ 428 A．1　工作流程圖／ 429 A．2　系統組態／ 429 A．3　安裝Kubernetes 集群／ 430 A．3．1　安裝前的準備／ 430 A．3．2　安裝配置／ 430 A．4　Harbor 的安裝部署／ 434 A．4．1　下載Harbor 離線安裝包／ 434 A．4．2　安裝Docker ／ 435 A．4．3　安裝Docker Compose ／ 435 A．4．4　Harbor 的安裝與配置／ 435 A．4．5　用戶端訪問Harbor 倉庫／ 436 A．5　 採用Jenkins Pipeline 實

現自動構建並部署至k8s ／ 438 A．5．1　部署Jenkins ／ 438 A．5．2　新建Spring Boot Java工程／440 A．5．3　配置Jenkins Pipeline任務／ 444 A．5．4　測試Pipeline 任務／ 446 A．5．5　遇到的問題及解決方法／ 449 附錄B　敏捷實踐發展史／ 451 附錄C　後敏捷時代暨DevOps發展史／ 461 附錄D　中國敏捷測試大事記／ 463 參考文獻／ 465

適用於抗干擾單光子光達系統之隨機觸發訊號產生器設計

為了解決112統測時間的問題，作者蔡峻豪 這樣論述：

本研究分別利用單光子雪崩式二極體產生的光計數和暗計數搭配數位控制電路生成隨機雷射脈衝以達到消除光達系統間干擾的效果。其中，光計數的部分是以發光二極體觸發之光計數的方式生成隨機分布訊號，同時藉由T18HVG2之Cell-Based Design取代本實驗室原本現場可程式化邏輯閘陣列的方式實現數位控制電路以提升系統整合度。最終，在實際給予1MHz定頻雷射干擾下，生成1MHz隨機雷射脈衝進行測距能擁有40.84dB之干擾抑制比的效果；而暗計數的部分則是以現場可程式化邏輯閘陣列的方式實現數位控制電路，同時藉由單光子雪崩式二極體元件產生之暗計數取代本實驗室原本發光二極體觸發之光計數的方式生成隨機分布訊

號以提升系統整合度。最終，在實際給予1MHz定頻雷射干擾下，生成1MHz隨機雷射脈衝進行測距能擁有41.18dB之干擾抑制比的效果。