臺灣博碩士論文加值系統

摘要 I
ASBTRACT II
致謝 IV
目錄 V
表目錄 VIII
圖目錄 IX
一、 緒論 1
1.2 研究動機 1
1.2 研究目標 2
二、 文獻探討 3
2.1 工業人工智慧 3
2.1 EDGE AI 4
2.3 人工智慧、機器學習、深度學習 5
2.3.1 深度學習如何運作 6
2.4 電腦視覺與深度學習 8
2.4.1 卷積神經網路CNN的特性 9
2.5 物件偵測 10
2.5.1 OBJECT DETECTION模型的架構 10
2.5.2 YOLOV4 模型的架構 11
三、 系統硬體架構及軟體開發環境建置 12
3.1系統硬體架構 12
3.1.1 樹莓派4(RASPBERRY PI 4) 12
3.1.2 電子顯微鏡 14
3.1.3 HDMI TO CSI-2 MODULE 15
3.1.4 安裝電子顯微鏡於樹莓派並進行測試 15
3.1.4.1 安裝HDMI to CSI-2 Module於樹莓派 15
3.1.4.2 啟動樹莓派的相機模組 17
3.1.4.3 使用樹莓派終端機測試取的電子顯微鏡影像 18
3.2軟體開發環境&系統流程圖 19
3.2.1 PYTHON 程式語言 19
3.2.2 OPENCV 19
3.2.3 安裝RASPBERRY PI OS 至MICRO-SD卡 20
3.2.3.1下載及安裝專屬工具：Raspberry Pi Imager 20
3.2.4 在樹莓派安裝OPENCV 23
3.2.4 在PC端建置PYTHON虛擬環境並安裝相關套件 25
3.2.5 建立標記工具及使用 25
3.2.5.1 安裝標記工具 26
3.2.5.2 使用標記工具 26
3.2.5.3 VOC格式轉換成Yolo格式 27
3.2.6 WIN10 SERVER(GPU) & DARKNET YOLOV4環境建置 28
3.2.6.1 前置準備安裝相關軟體及模組 29
3.2.6.2在Windows編譯Darknet 44
3.2.7 專案開發軟體系統流程 56
3.2.7.1 軟體系統流程圖_物件偵測＋文字辨識(1類別) 56
3.2.7.2 軟體系統流程圖_物件偵測＋文字辨識(36類別) 58
3.2.7.3教練模型與專用模型運作循環 59
四、 實驗操作及結果 60
4.1 整合實驗平台說明 60
4.2 訓練資料收集 61
4.3 訓練資料清洗(轉換) 63
4.4 訓練資料標註 64
4.4.1 以人工方式標記訓練資料 64
4.4.2 以自動標註程式標記訓練資料 65
4.4.3 使用VOC轉換成YOLO格式之程式 66
4.4.4 DATE AUGMENTATION 66
4.4.5 訓練圖片及標註資料彙整 67
4.5 建立訓練組態資料結構 68
4.5.1組態資料結構說明 68
4.5.2 自動化生成組態資料結構程式使用說明 70
4.6 訓練模型 72
4.6.1 DARKNET訓練模型語法說明 72
4.6.2 <YOLOV4>TINY模型網路架構選用說明 73
4.6.3訓練模型評估指標說明 75
4.6.4 訓練模型結果說明 78
4.7 部署測試(推論) 82
4.7.1 將模型權重打包封裝成推論用程式 82
4.7.2 將推論程式部署到邊緣運算平台 84
4.7.3 推論驗證及辨識結果 85
五、 研究結論與建議 98
5.1 結論 98
5.2 未來工作 99
六、 參考文獻 100

[1] 李傑, 工業人工智慧, 新北市: 前程文化, 2019.
[2] O. (.-e. R. I. 歐尼克斯實境互動工作室, “人工智慧簡介─雲端與邊緣運算,” 2 2021. [線上]. Available: https://omnixri.blogspot.com/p/ntust-edge-ai-ch1-4.html.
[3] F. Chollet, Deep learning 深度學習必讀：Keras 大神帶你用 Python 實作, 台北市: 旗標 , 2019.
[4] 林大貴, TensorFlow+Keras深度學習人工智慧實務應用, 新北市: 博碩 , 2017.
[5] C. MICHAEL, "What’s the Difference Between Artificial Intelligence, Machine Learning and Deep Learning?," 2016. [Online]. Available: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/.
[6] 維基百科, “電腦視覺,” 維基百科，自由的百科全書, 2022. [線上]. Available: https://zh.wikipedia.org/wiki/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89.
[7] 李宏毅, “一天搞懂深度學習,” 2016. [線上]. Available: https://www.slideshare.net/tw_dsconf/ss-62245351.
[8] Alexey Bochkovskiy Chien-Yao Wang Hong-Yuan Mark Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” arXiv, 23 4 2020.
[9] 張家銘, “YOLOv4 產業應用心得整理,” 2021. [線上]. Available: https://aiacademy.tw/yolo-v4-intro/.
[10] dekiang, “最詳細的YOLOv4網絡結構解析,” 2020. [線上]. Available: https://blog.csdn.net/weixin_41560402/article/details/106119774.
[11] 陳會安, Raspberry Pi 樹莓派：Python x AI 超應用聖經, 台北市: 旗標, 2022.
[12] 維基百科, “Python,” 2022. [線上]. Available: https://zh.wikipedia.org/zh-tw/Python.
[13] 維基百科, “OpenCV,” 2022. [線上]. Available: https://zh.wikipedia.org/zh-tw/OpenCV.
[14] 鄧文淵, Python機器學習超進化：AI影像辨識跨界應用實戰, 台北市: 碁峰, 2020.
[15] 簡禎富, 工業3.5：台灣企業邁向智慧製造與數位決策的戰略, 台北市: 天下雜誌 , 2019.
[16] 繆鵬, CV+深度學習(AI最完整的跨套件Python人工智慧電腦視覺), 台北市: 深石數位科技股份有限公司, 2019.
[17] 洪錦魁, OpenCV影像創意邁向AI視覺王者歸來, 台北市: 深智數位, 2022.
[18] T. Rashid, 類神經網路實戰: 使用Python, 新北市: 博碩文化股份有限公司, 2018.
[19] M. Beyeler, 機器學習：使用OpenCV和Python進行智能圖像處理, 北京: 機械工業出版社, 2018.
[20] 斎藤康毅, Deep Learning：用Python進行深度學習的基礎理論實作, 台北市: 歐萊禮, 2017.