雖然這篇entropy影像鄉民發文沒有被收入到精華區:在entropy影像這個話題中,我們另外找到其它相關的精選爆讚文章
在 entropy影像產品中有1篇Facebook貼文,粉絲數超過2萬的網紅COMPOTECHAsia電子與電腦 - 陸克文化,也在其Facebook貼文中提到, #工業4.0 #虛實整合系統CPS #智慧工廠 #物聯網IoT #自動光學檢測AOI #傅立葉轉換FourierTransform #深度學習DeepLearning #人工智慧AI #卷積神經網路CNN #遞歸神經網路RNN #多尺度熵MSE 【Domain know-h...
同時也有2部Youtube影片,追蹤數超過16萬的網紅La vie et le voyage, cinéma,也在其Youtube影片中提到,TENET天能,再次讓大家看了頭很痛的諾蘭電影, 一些細節、彩蛋,還有超神奇的影像魔法, 這邊要再來挑幾個主題跟大家分享、解析一下, 一起跟著W的介紹,來認識更多天能的秘密吧! 我的FB粉絲專頁: https://www.facebook.com/cinema.vievoyage W_變種人_重雷...
-
entropy影像 在 La vie et le voyage, cinéma Youtube 的最佳貼文
2020-09-01 20:28:05TENET天能,再次讓大家看了頭很痛的諾蘭電影,
一些細節、彩蛋,還有超神奇的影像魔法,
這邊要再來挑幾個主題跟大家分享、解析一下,
一起跟著W的介紹,來認識更多天能的秘密吧!
我的FB粉絲專頁:
https://www.facebook.com/cinema.vievoyage
W_變種人_重雷心得
https://youtu.be/6eSx5Nived0
W看電影_TENET天能_重雷心得
https://youtu.be/5qJzkqzKaEk -
entropy影像 在 La vie et le voyage, cinéma Youtube 的最佳解答
2020-08-28 21:51:48TENET天能,顛覆所有想像,出乎意料之外走向,
時間逆轉,呈現神奇倒轉影像,架構出燒腦劇情,
一起來搞懂克里斯多福.諾蘭2020驚天大作,
來看看大導葫蘆裡到底賣的是什麼天能超猛秘密…
我的FB粉絲專頁:
https://www.facebook.com/cinema.vievoyage
W電影隨便聊_蝙蝠俠_預告分析第1彈
https://youtu.be/yURW-iIBLu4
W看電影_超能計畫_重雷計畫
https://youtu.be/LOTHEGAeetA
entropy影像 在 COMPOTECHAsia電子與電腦 - 陸克文化 Facebook 的最讚貼文
#工業4.0 #虛實整合系統CPS #智慧工廠 #物聯網IoT #自動光學檢測AOI #傅立葉轉換FourierTransform #深度學習DeepLearning #人工智慧AI #卷積神經網路CNN #遞歸神經網路RNN #多尺度熵MSE
【Domain know-how 是深度學習& AI 能否產生效益的關鍵】
深度學習 (Deep Learning) 最主要的兩個部分是訓練 (training) 和推論 (Inference);對智慧工廠來說,若訓練時間過久或輸入到輸出的推理時間過長,是絕對無法接受的!GPU 藉平行運算、先對龐雜資料預做處理再丟回給 CPU,協助分擔 CPU 負載、加快運算速度及訓練時間,特別適用於由許多神經元與層級構成的深度學習、大型矩陣或資料量大、參數多的運算。產線機台設備不論是健康評估/診斷或效能預測,所使用的演算法皆與統計或機器學習密切相關。
以深度學習為核心,向外圍擴展的順位依序為類神經網路、機器學習與 AI;而訓練方式決定推論成果。以科技廠常用的自動光學檢測 (AOI) 為例,由於 AOI 需要極高解析度的影像學為基礎,且來料品質對檢測參數有很大影響,故 AOI 設備業者往往須派駐專業人員到客戶廠房協助微調機器;若加入大數據、深度學習和人工智慧,將有助於提高辨識效率,更精確區別出處於合格邊緣的 NG 報廢品、或尚可補救的瑕疵品。另兩個應用場域是:聲音與振動檢測。
透過收集、研究機器運轉的聲音訊號,來檢測風力發電機的軸承是否有異常狀況?不過,前提是克服環境噪音和回音等其它聲源干擾。至於振動檢測,最麻煩的就是決定要餵多長的資料?參數不同,可能導致推論天差地遠!因此,特徵擷取方式將是 AI 能否良好辨識的關鍵。目前診斷工廠馬達、轉軸多是利用傅立葉轉換 (Fourier Transform),但有個重大缺陷:它假設所有訊號都可用正弦/餘弦波模擬,再積分求得,可惜內情並非如此單純。
一旦轉子不平衡、位置產生角度、呈現平行、彎曲或沒有鎖緊,會誘發「倍頻」現象。傳立葉頻譜雖可取得轉子系統異常訊號特微,但仍須經由人為判讀診斷,
對產線人員有一定難度,也無法達成智能機械目標;輔以經驗模態拆解、多尺度熵 (Multiscale Entropy, MSE) 分析是理想方案。深度學習演算法還能用於金屬切削加工,將良好與損壞刀具相較並改變當中參數,包括轉速、進給、振動、電流值,可監控刀具磨耗程度並預測使用壽命。
工業 4.0 的虛實整合目前並無確切系統規格,實現理論均以為機學習為基礎,其中,將感測器 (包括振動、電流、溫度……) 的原始訊號直接作為類神經或深度學習網路的輸入值,效果不彰;若要達到預先診斷,訊號的特徵擷取是重要因子。此外,醫療業與製造業許多應用的背後理論相似,檢驗醫療影像的技術也能用於 AOI,檢驗心電訊號的演算法,可用於檢驗機台振動訊號。
AI 現正於各領域蓬勃發展中,演算法進入門檻亦越來越低,真正的關鍵是如何為現有數據有效轉化為實際應用並產生效益,Domain know-how 才是真正挑戰所在。模型訓練 (Model Training) 需要強大的 CPU 運算能力奧援;但若能找到決定性的型態 (pattern)、做成推論引擎 (Inference Engine),便能以最少運算資源、在最短時間內算出想要的結果。
延伸閱讀:
《Deep Learning 與 AI 進駐工業 4.0》
http://compotechasia.com/a/____/2017/0911/36625.html
(點擊內文標題即可閱讀全文)
#麗臺科技Leadtek #輝達nVidia #統一運算架構CUDA
★★【智慧應用開發論壇】(FB 不公開社團:https://www.facebook.com/groups/smart.application/) 誠邀各界擁有工程專業或實作經驗的好手參與討論,採「實名制」入社。申請加入前請至 https://goo.gl/forms/829J9rWjR3lVJ67S2 填寫基本資料,以利規劃議題方向;未留資料者恕不受理。★★