#微控制器MCU #物聯網IoT #人工智慧AI #機器學習ML #伸縮向量擴展SVE #機密計算架構CCA #RISC-V
【越來越強大的 MCU】
從英特爾 (Intel) 最早的 4 位元 4004 開始算,微控制器 (MCU) 已經 50 歲了;如果從性能的角度來看,當今高性能的 MCU 產品已遠遠超過 20 多年的中央處理器 (CPU)。很多廠商為了區分高性能處理應用的場景,推出了微處理器 (MPU) 概念,從名稱上與傳統 MCU 區分。不過 MPU 並無嚴格定義,不同廠商對 MPU 的定位也不同;而隨著 MCU 在性能製程上的進步,MCU 與 MPU 之間的界線也逐漸模糊。
根據統計機構的資料,2020 年 MCU 主流產品是 32 位元,佔據超過五成市場,但令人稱奇的是,8 位元 MCU 仍然持有四成左右的市場份額;剩下的 16 位元和 4 位元 MCU 只有個位數的市場份額,且正被 8 位元或 32 位元 MCU 取代。除了資料位元寬,另一項區分 MCU 的規格就是指令集,主要分為 CISC 指令集和 RISC 指令集兩大類,其中 RISC 指令集的 MCU 佔比超過 3/4。在 RISC 指令集產品中,目前安謀 (Arm) 的 RISC 指令集 MCU 佔有絕對優勢地位。
如今 MCU 的平均價格已經跌至 1 美元以下,這大幅降低了包括物聯網 (IoT)、人工智慧 (AI)、穿戴設備的進入門檻。廉價的 MCU 和簡單易用性能的強大的開發工具,為不同門檻的准入者提供實現創新的機會。儘管平均單價正在下降,但是整個 MCU 市場營收卻保持快速增長,市場營收預計在 2023 年近 190 億美元,其中超過八成的市場份額被前十大供應商壟斷。總體來看,汽車仍佔據 MCU 最大份額,加上工業和醫療,三者合佔近六成市場,消費和運算約佔三成。
32 位元 MCU 因其兼具控制、通訊以及某種程度的邏輯處理能力,同時在功耗方面的不錯表現,成為物聯網市場首選,整個物聯網、穿戴式 MCU 的市場增長速度超過平均值。Arm 架構的統治地位依然穩固,並與富士通合作開發可技術,並在此基礎上開發了 SVE2,在更廣泛的應用中實現增強的機器學習和數位信號處理能力,以便應對無處不在的AI 需求。但是也並非沒有競爭者,近年正夯的 RISC-V 就來勢汹汹……。
延伸閱讀:
《今非昔比的 MCU》
http://www.compotechasia.com/a/feature/2021/0813/48769.html
#英特爾Intel #意法半導體ST #微芯科技Microchip #瑞薩電子Renesas #恩智浦NXP #德州儀器TI #英飛凌Infineon #東芝Toshiba #芯科科技SiliconLabs #安謀Arm
同時也有5部Youtube影片,追蹤數超過2萬的網紅數學老師張旭,也在其Youtube影片中提到,各位同學大家好,我是魔人普物的EJ老師 我的普通物理系列的第二堂課正式上線啦😄 第二堂課會教各位如何去描述一個物體的運動 運動學的專有名詞及定義,在國高中物理就有教了 到了大學普物我們會正式引入微積分幫助我們做運算 為了不讓各位同學睡著,所以我精心準備了有趣的題目 回家作業也頗具挑戰性,希望你們能好...
「角速度向量」的推薦目錄:
- 關於角速度向量 在 COMPOTECHAsia電子與電腦 - 陸克文化 Facebook 的最佳解答
- 關於角速度向量 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於角速度向量 在 辣媽英文天后 林俐 Carol Facebook 的最讚貼文
- 關於角速度向量 在 數學老師張旭 Youtube 的最佳解答
- 關於角速度向量 在 李祥數學,堪稱一絕 Youtube 的最佳貼文
- 關於角速度向量 在 范琪斐 Youtube 的最佳解答
- 關於角速度向量 在 [問題] 角速度的定義- 看板Physics - 批踢踢實業坊 的評價
- 關於角速度向量 在 角位移、角速度、角加速度 - YouTube 的評價
- 關於角速度向量 在 角位移與角速度 - YouTube 的評價
- 關於角速度向量 在 机器人学笔记 的評價
角速度向量 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
機器學習識別特徵阻絕代測 上鏈回送監理資料庫防竄改
人臉辨識加酒精鎖阻酒駕 串區塊鏈上傳比對告警
2021-05-24社團法人台灣E化資安分析管理協會元智大學多媒體安全與影像處理實驗室
本文將介紹酒精防偽人臉影像辨識系統,結合了人臉辨識、酒精鎖以及區塊鏈應用,以解決酒駕問題,並透過監控系統避免代測狀況發生。且利用區塊鏈不可修改的特性,將車輛與人臉資料串上區塊鏈,以確保駕駛人的不可否認性。
長長期以來「酒駕」都是一個很嚴肅且必須被重視的議題,儘管在2019年立法院修法酒駕及拒絕酒測的罰則,但是抱持僥倖心態的人還是數不勝數,導致因酒駕釀成車禍的悲劇還是一再重演,讓不少的家庭因此破滅。
據統計,從2015年到2018年的酒駕取締件數都逾10萬件,而因為酒駕車禍的死亡人數逾百人。在2019年酒駕新制上路以後,2020年警方酒駕取締件數有明顯下降至約6萬件,雖然成功達到嚇阻效果,但是死亡人數仍與去年前年持平,可見離完全遏止酒駕還有很長的路需要努力。
立法院於2018年三讀通過了「道路交通管理處罰條例部分條文修正案」,酒駕者必須重新考照,並且只能駕駛具有酒精鎖(Alcohol Interlock)的車輛,所謂酒精鎖,屬於車輛點火自動鎖定裝置,在汽車發動前必須進行酒測,通過才能將汽車發動,而且在每45分鐘至60分鐘後酒精鎖系統就會要求駕駛人在一定時間內進行重新酒測,以便防範在行車過程中有飲酒的情況發生,若駕駛人未遵守其要求,車子就會強制熄火並鎖死,必須回酒精鎖服務中心才能將鎖解開。
由於法案的方式無法完全遏止酒駕,因此許多創新科技或是企業致力於研究相關科技來解決酒駕的問題。
其中本田(Honda)汽車與日立(Hitachi)公司研發出手持型酒精含量檢測裝置,讓駕駛人必須在駕駛之前都先進行酒測,若酒精濃度超標就會將汽車載具上鎖,藉此避免酒駕意外或事故發生,且該技術結合了智慧鑰匙功能,若偵測到酒測值超標,車輛中的顯示面板將會發出警告訊號告知駕駛人,避免酒駕上路之問題。
另一方面則是解決酒精殘值之問題,因為有許多駕駛人都會認為,休息一下後,身體也無感到不適,即駕車出門,等到駕駛人被警方臨檢時才知道酒測未通過,因此收到罰單,甚至是吊銷駕照處罰等。
根據醫學研究指出,酒精是在人體體內由肝臟代謝,實際代謝時間必須看體質以及飲酒量而定。台灣酒駕防制社會關懷協會建議,喝酒後至少要10至20小時後再駕車比較安全。多數人無具備酒精代謝時間的觀念,導致駕駛人貿然上路,待意外發生或罰單臨頭時,已經為時已晚。
背景知識說明
本文介紹的方法為酒精鎖結合攝影鏡頭進行人臉辨識,並將人臉特徵資料與車輛資料串上區塊鏈,並利用區塊鏈不可篡改的特性,來避免駕駛人在解鎖酒精鎖時發生他人代測的問題。
由於人臉辨識技術具備防偽性、身分驗證的特性,因此將酒精鎖的技術結合人臉辨識,便可確認為駕駛本人。
何謂人臉辨識
人臉辨識技術屬於生物辨識的一種,基於人工智慧、機器學習、深度學習等技術,將大量人臉的資料輸入至電腦中做為模型訓練的素材,讓電腦透過演算法學習人類的面部特徵,藉以歸納其關聯性最後輸出人臉的特徵模型。
目前人臉辨識技術已經遍佈在日常生活之中,其應用面廣泛,最為常見的應用即為智慧型手機的解鎖、行動支付如LINE Pay、Apple Pay等,其他應用還包括行動網路銀行、網路郵局、社區大樓門禁管理系統、企業監控系統、機場出入關、智能ATM、中國天眼系統等。一般來說,人臉辨識皆具備以下幾個特性:
‧ 普遍性:屬於任何人皆擁有的特徵。
‧ 唯一性:除本人以外,其他人不具相同的特徵。
‧ 永續性:特徵不易隨著短時間有大幅的改變。
‧ 方便性:人臉辨識容易實施,設備容易取得,如相機鏡頭。
‧ 非接觸性:不須直接接觸儀器,也可以進行辨識,這部分考量到衛生問題以及辨識速度。
人臉辨識透過人臉特徵的分析比對進行身分的驗證,別於其他生物辨識如虹膜辨識、指紋辨識,無須近距離接觸,也可以精準地辨識身分,且具有同時辨識多人的能力。因應新冠肺炎疫情肆虐全球,人臉辨識技術也被用來管理人來人往的人流。人臉辨識的儀器可以搭配紅外線攝影機來測量人體體溫,在門禁進出管制系統中,利於提高管理效率,有效掌握到進出人員的身分,以及幫助衛生福利部在做疫調時更容易掌握到確診病患行經的足跡。
人臉辨識的步驟
人臉辨識的過程與步驟,包括人臉偵測、人臉校正、人臉特徵值的摘取,進行機器學習與深度學習、輸出人臉模型,從影像中先尋找目標人臉,偵測到目標後會將人臉進行預處理、灰階化、校正,並摘取特徵值,接著人臉資料交給電腦進行機器學習與深度學習運算,最後輸出已訓練好的模型。相關辨識的步驟,如圖1所示。
人臉偵測
基於Haar臉部檢測器的基本思想,對於一個一般的正臉而言,眼睛周圍的亮度較前額與臉頰暗、嘴巴比臉頰暗等其他明顯特徵。基於這樣的模式進行數千、數萬次的訓練,所訓練出的人臉模型,其訓練時間可能為幾個小時甚至幾天到幾周不等。利用已經訓練好的Haar人臉特徵模型,可以有效地在影像中偵測到人臉。
Python中的Dilb函式庫提供了訓練好的人臉模型,可以偵測出人臉的68個特徵點,包括臉的輪廓、眉毛、眼睛、鼻子、嘴巴。基於這些特徵點的資料就能夠進行人臉偵測,如圖2~4所示。圖中左上角的部分是偵測到的分數,若分數越高,代表該張影像就越可能是人臉,右側括弧中的編號代表子偵測器的編號,代表人臉的方向,其中0為正面、1為左側、2為右側。
人臉的預處理
偵測到人臉後,要針對圖片進行預處理。通常訓練的影像與攝影鏡頭拍出來的照片會有很大的不同,尤其會受到燈光、角度、表情等影響,為了改善這類問題,必須對圖片進行預處理以減少這類的問題,其中訓練的資料集也很重要:
‧ 幾何變換與裁剪:將影像中的人臉對齊與校正,將影像中不重要的部分進行裁切,並旋轉人臉,並使眼睛保持水平。
‧ 針對人臉的兩側用直方圖均衡化:可以增強影像中的對比度,可以改善過曝的影像或是曝光不足的問題,更有效地顯示與取得人臉目標的特徵點。
‧ 影像平滑化:影像在傳遞的過程中若受到通道、劣質取樣系統或是受到其他干擾導致影像變得粗糙,藉由使用圖形平滑處理,可以減少影像中的鋸齒效應和雜訊。
人臉特徵摘取
關於人臉特徵摘取,相關的技術說明如下:
‧ 歐式距離:人臉辨識是一個監督式學習,利用建立好的人臉模型,將測試資料和訓練資料進行匹配,最直觀的方式就是利用歐式距離來計算所有測試資料與訓練資料之間的距離,選擇差距最小者的影像作為辨識結果。由於人臉資料過於複雜,且需要大量的訓練集資料與測試集資料,會導致計算量過大,使辨識的速度過於緩慢,因此需要透過主成分分析法(Principal Components Analysis,PCA)來解決此問題。
‧ 主成分分析法:主成分分析法為統計學中的方法,目的是將大量且複雜的人臉資料進行降維,只保留影像中的主成分,即為影像中的關鍵像素,以在維持精確度的前提下加快辨識的速度。先將原本的二維影像資料每列資料減掉平均值,並計算協方差矩陣且取得特徵值與特徵向量,接著將訓練集與測試集的資料進行降維,讓新的像素矩陣中只保留主成分,最後則將降維後的測試資料與訓練資料做匹配,選擇距離最近者為辨識的結果。由於影像資料經過了降維的步驟,因此人臉辨識的速度將會大幅度地提升。
‧ 卷積神經網路:卷積神經網路(Convolutional Neural Network,CNN)是一種神經網路的架構,在影像辨識、人臉辨識至自駕車領域中都被廣泛運用,是深度學習(Deep Learning)中重要的一部分。主要的目的是透過濾波器對影像進行卷積、池化運算,藉此來提取圖片的特徵,並進行分類、辨識、訓練模型等作業。在人臉辨識的應用中,首先會輸入人臉的影像,再透過CNN從影像提取像素特徵並轉換成特定形式輸出,並用輸出的資料集進行訓練、辨識等等。
何謂酒精鎖
酒精鎖(圖5)是一種裝置在車輛載體中的配備,讓駕駛人必須在汽車發動前進行酒測,通過後才能將車輛發動。且每隔45分鐘至60分鐘會發出要求,讓駕駛人在時間內再次進行檢測。
根據歐盟經驗,提高罰款金額以及吊銷駕照只有在短期實施有效,只有勸阻的效果,若在執法上不夠嚴謹,被吊照者會轉變成無照駕駛,因此防止酒駕最有效的方法就是強制讓駕駛人無法上路,這就是「酒精鎖」的設計精神。
在本國2020年3月1日起酒駕新制通過後,針對酒駕犯有了更明確且更嚴厲的規定,在酒駕被吊銷駕照者重考後,一年內車輛要裝酒精鎖,未通過酒測者無法啟動,且必須上15小時的教育訓練才能重考,若酒駕累犯三次,要接受酒癮評估治療滿一年、十二次才能重考。
許多民眾對於「酒精鎖」議論紛紛,懷疑是否會發生找其他人代吹酒精鎖的疑慮,為防範此問題,酒精鎖在啟動後的五分鐘內重新進行吹氣,且汽車在行駛期間的每45至60分鐘內,便會隨機要求駕駛重新進行酒測,如果沒有通過測量或是沒有測量,整合在汽車智慧顯示面板的酒精鎖便會發出警告,並勸告駕駛停止駕車。
對於酒精鎖的實施,目前無法完全普及到每一台車子,而且對於沒有飲酒習慣的民眾而言,根本是多此一舉,反而增加不少麻煩給駕駛。若還有每45~60分鐘的隨機檢測,會導致多輛汽車必須臨時停靠路邊進行檢測,可能加劇汽車違規停車的發生頻率。
認識區塊鏈
區塊鏈技術是一種不依賴於第三方,透過分散式節點(Peer to Peer,P2P)來進行網路數據的存儲、交易與驗證的技術方法。本質上就是一個去中心化的資料庫,任何人在任何時間都可以依照相同的技術標準將訊息打包成區塊並串上區塊鏈,而這些被串上區塊鏈的區塊無法再被更改。區塊鏈技術主要依靠了密碼學與HASH來保護訊息安全,也是賦予區塊鏈技術具有高安全性、不可篡改性以及去中心化的關鍵。區塊鏈相關概念,如圖6所示。
區塊鏈的原理與特性
可以將區塊鏈想像成是一個大型公開帳本,網路上的每個節點都擁有完整的帳本備份,當產生一筆交易時,會將這筆交易廣播到各個節點,而每個節點會將未驗證的交易HASH值收集至區塊內。接著,每個節點進行工作量證明,選取計算最快的節點進行這些交易的驗證,完成後會把區塊廣播給到其他節點,其他節點會再度確認區塊中包含的交易是否有效,驗證過後才會接受區塊並串上區塊鏈,此時就無法再將資料進行篡改。
關於區塊鏈的特性,可分成以下四部分做說明:
1. 去中心化:區塊鏈其中一個最重要的核心宗旨,就是「去中心化」,區塊鏈採用分散式的點對點傳輸,該概念架構中,節點與節點之中沒有所謂的中心,所有的操作都部署在分散式的節點中,而無須部署在中心化機構的伺服器,一筆交易或資料的傳輸不再需要第三方的介入,因此又可以說每個節點就是所謂的「中心」。這樣的結構也加強了區塊鏈的穩定性,不會因為其中的部分節點故障而癱瘓整個區塊鏈的結構。
2. 不可篡改性:透過密碼學與雜湊函數的運用來將資料打包成區塊並上鏈,所有區塊都有屬於它的時間戳記,並依照時間順序排序,而所有節點的帳本資料中又記錄了完整的歷史內容,讓區塊鏈無法進行更改或是更改成本很高,因此使區塊鏈具備「不可篡改性」,並且同時確保了資料的完整性、安全性以及真實性。
3. 可追溯性:區塊鏈是一種鏈式的資料結構,鏈上的訊息區塊依照時間的順序環環相扣,這便使得區塊鏈具有可追溯的特性。可追本溯源的特性適用在廣泛的領域中,如供應鏈、版權保護、醫療、學歷認證等。區塊鏈就如同記帳帳本一般,每筆交易記錄著時間和訊息內容,若要進行資料的更改,則會視為一筆新的交易,且舊的紀錄仍會存在無法更動,因此仍可依照過去的交易事件進行追溯。
4. 匿名性:在去中心化的結構下,節點與節點之間不分主從關係,且每個節點中都擁有一本完整的帳本,因此區塊鏈系統是公開透明的。此時,個人資料與訊息內容的隱私就非常重要,區塊鏈技術運用了HASH運算、非對稱式加密與數位簽章等其他密碼學技術,讓節點資料在完全開放的情況下,也能保護隱私以及用戶的匿名性。
區塊鏈與酒精鎖
由於區塊鏈的技術具備去中心化、記錄時間以及不可篡改的特性,且更加強酒精鎖的檢測需要身分驗證的保證性。當進行酒精鎖檢測解鎖時,系統記錄駕駛人吹氣時間以及車輛的相關資訊,還有人臉特徵資料打包成區塊並串上區塊鏈。因此,在同一時間當監控系統偵測到當前駕駛人與吹氣人不同時,此時區塊鏈中所記錄的資料便能成為一個強而有力的依據,同時也能讓其他的違規或違法事件可以更容易進行追溯。
酒駕防偽人臉辨識系統介紹
為了解決酒精鎖發生駕駛人代測的問題,酒精鎖產品應導入具有身分驗證性的人臉辨識技術。酒駕防偽人臉辨識系統即為駕駛人在進行酒精鎖解鎖時,要同時進行人臉辨識,來確保駕駛人與吹氣人為同一人。
在駕駛座前方的位置會安裝攝影鏡頭,作為駕駛的監控裝置。進行酒測吹氣的人臉資料將會輸入到該系統中的資料庫儲存,並將人臉資料以及酒測的時間戳記打包成區塊串上區塊鏈,當汽車已經駛動時,攝影鏡頭將會將當前駕駛人畫面傳回系統進行人臉比對驗證。如果驗證成功,會將通過的紀錄與時間戳一同上傳至區塊鏈,若是系統偵測到駕駛人與吹氣人為不同對象,系統將發出警示要求駕駛停車並重新進行檢測,並同時將此次異常的情況進行記錄上傳到區塊鏈中。
如果駕駛持續不遵循系統指示仍持續行駛,該系統會將區塊鏈的紀錄傳送回給開罰的相關單位,並同時發出警報以告知附近用路人該車輛處於異常情況,應先行迴避。且該車輛於熄火後,酒精鎖會將車輛上鎖,必須聯絡酒精鎖廠商或酒精鎖服務中心才能解鎖。相關的系統概念流程圖,如圖7所示。
區塊鏈打包上鏈模擬
在進行酒測解鎖完畢以及進行人臉資料儲存後,會透過CNN將影像轉換輸出成128維的特徵向量作為人臉資料的測量值,接著將128個人臉特徵向量資料取出,並隨著車輛資訊一起打包到同一個區塊,然後串上區塊鏈。取出的人臉特徵資料,如圖8所示。
要打包成區塊和上鏈的內容,包括了人臉特徵資料、車牌號碼、酒測解鎖時間點等相關輔助資料,接著透過雜湊函數將相關的資料打包成區塊。以車牌號碼ABC-1234為例,圖9顯示將車輛資料和人臉資料進行區塊鏈的打包,並進行HASH運算。
將人臉資料和車輛相關資料作為一次的交易內容,並打包區塊,經過HASH後的結果如圖10所示,其中prev_hash屬性代表鏈結串列指向前一筆資料,由於這是實作模擬情境,並無上一筆資料,其中messages屬性代表內容數,一筆代表車牌資料,另一筆則為人臉資料。time屬性則代表區塊上鏈的時間點,代表車輛解鎖的時間點。
情境演練說明
話說小禛是一間企業的上班族,平時以開車為上下班的交通工具,他的汽車配置了酒駕防偽影像辨識系統,以下模擬小禛下班後準備開車的情境。
已經下班的小禛今天打算從公司開車回家,當小禛上車準備發動車子時,他必須先拿起安裝在車上的酒測器進行吹氣,並將臉對準攝影鏡頭讓系統取得小禛的人臉影像。小禛在汽車發動前的人臉影像,如圖11所示。
待攝影鏡頭偵測到小禛的人臉後,接著系統便會擷取臉上五官的68個特徵點,如圖12所示。然後,相關數據再透過CNN轉換輸出成128維的特徵向量作為人臉資料的測量值,如圖13所示。
酒精鎖通過解鎖後,車輛隨之發動,解鎖成功的時間點將會記錄成時間戳記,隨著影像與相關資料串上區塊鏈。在行駛途中,設置在駕駛座前方的鏡頭將擷取目前駕駛的人臉,以取得駕駛人的128維人臉特徵向量測量值,並且與汽車發動前所存入的人臉資料進行比對,藉以判斷目前的駕駛人與剛才的吹氣人臉是否為同一位駕駛。當驗證通過後,也會再將通過的紀錄與時間戳上傳至區塊鏈中,如此一來,區塊鏈的訊息內容便完整記載了這一次駕車的紀錄,檢測通過的示意圖如圖14所示。
系統通過辨識後,便確認了駕駛人的身分與吹氣人一致。且透過時戳的紀錄和區塊鏈的輔助,也確保了駕駛的不可否認性。若有其他違規事件發生時,區塊鏈的紀錄便成為一個強而有力的依據來進行追溯。
如此一來,便可以預防小禛喝酒卻找其他人代吹酒測器的情況發生。在駕駛的途中,如果有需要更換駕駛人,必須待車輛靜止時,從車載系統發出更換駕駛要求,再重新進行酒測以及重複上述流程,才可以更換駕駛人。如果沒有按照該流程更換駕駛,系統將視為異常情況。
結語
酒駕一直是全球性的問題,將有高機率導致重大交通事故,造成人員傷亡、家庭破碎,進而醞釀後續更多的社會問題,皆是酒駕所引發的不良效益。為了解決酒駕的問題,各個國家都有不同的酒駕標準或是法律規範,但是大部分國家的規範和制度都只有嚇阻作用卻無法完全遏止。在不同的國家防止酒駕的方式不盡相同,有的國家如新加坡,透過監禁及鞭刑來遏止酒駕犯,又或者是薩爾瓦多,當發現酒駕直接判定死刑,這樣的制度雖嚇阻力極強,但是若讓其他國家也跟進,會造成違憲或是違反人權等問題。因此,各國都在酒駕的問題方面紛紛投入研究,想要達到零酒駕的社會。
為達成此理想,本文介紹了基於區塊鏈的酒駕防偽辨識系統,利用酒精鎖搭配人臉辨識技術以及區塊鏈技術,使有飲酒的駕駛人無法發動汽車。且該系統搭載在行車電腦中,結合攝影鏡頭的監控對駕駛進行酒測防制管理,將人臉資料、酒精鎖、解鎖時間點與相關資訊打包成區塊並上鏈。基於區塊鏈技術內容的不易篡改,可加強駕駛人的不可否認性,當汽車發生異常情況時,便能利用有效且可靠的依據進行追溯。人工智慧和物聯網時代已經來臨,透過酒駕防偽辨識系統來改善酒駕問題,在未來能夠普及並結合法規,智慧汽車以及智慧科技的應用將會帶給人們更安全、更便利的社會。
附圖:圖1 人臉辨識的步驟。
圖2 人臉特徵點偵測(正臉)。
圖3 人臉特徵點偵測(左側臉)。
圖4 人臉特徵點偵測(右側臉)。
圖5 酒精鎖。 (圖片來源:https://commons.wikimedia.org/wiki/File:Guardian_Interlock_AMS2000_1.jpg with Author: Rsheram)
圖6 區塊鏈分散式節點的概念圖。
圖7 系統概念流程圖。
圖8 取出人臉128維特徵向量。
圖9 儲存車輛相關資料及人臉資料到區塊。
圖10 HASH後及打包成區塊的結果。
圖11 汽車發動前小禛的人臉影像。
圖12 小禛的人臉影像特徵點。
圖13 小禛的人臉特徵向量資料。
圖14 系統通過酒測檢測者與駕駛人為同一人。
資料來源:https://www.netadmin.com.tw/netadmin/zh-tw/technology/CC690F49163E4AAF9FD0E88A157C7B9D
角速度向量 在 辣媽英文天后 林俐 Carol Facebook 的最讚貼文
打鐵趁熱!
送上台大物理系莊學長提供的「物理大餐」Part 2️⃣!
———————————————————————
⛓ 俐媽英文教室—物理單字篇part 2(古典物理學常用英文詞彙):
🧲 Classical physics 古典物理學
⭐️ 運動
1. kinematics (n.) 運動學 / dynamics (n.) 動力學
2. motion (n.) 運動
(運動學探討: translational (位置轉換)、rotational (轉動)、vibrational (震動) 等)
3. point particle (n.) 質點
4. trajectory (n.) 軌跡 (⚠️ -ject: shoot)
5. vector (n.) 向量 / scalar (n.) 純量
6. position (n.) 位置 (⚠️ pos: put)
7. displacement (n.) 位移 / distance (n.) 路徑長
8. velocity (n.) 速度 / speed (n.) 速率
9. acceleration (n.) 加速度
10. jerk (n.) 急跳度
11. average (a.) 平均的 / instantaneous (a.) 瞬間的 / constant (a.) 固定的
12. projectile motion (n.) 拋體運動
13. circular motion (n.) 圓周運動(⚠️ circum: around)
14. angular velocity (n.) 角速度
15. angular acceleration (n.) 角加速度
16. centripetal acceleration (n.)向心加速度
⭐️ Newtonian mechanics (classical mechanics) 牛頓力學
(Newton’s 3 laws)
17. inertia (n.) 慣性
18. force (n.) 力
* friction (n.) 摩擦力 (kinetic + ~ 動摩擦力 / static + ~ 靜摩擦力)
* tension (n.) 張力 / drag (force) (n.) 阻力 / gravity (n.) 重力
19. free-body diagram (n.) 力圖分析
20. equilibrium (n.) 平衡(⚠️ equi: equal)
* stable 穩定 / unstable 不穩定 / neutral 隨遇 (中性) + ~
⭐️ 能量、動量與彈碰
21. work (n.) 功
mechanical energy (n.) 力學能
the principle of the conservation of mechanical energy (n.) 力學能守恆原理
22. potential energy (n.) 位能 (勢能) / kinetic energy (n.) 動能
23. conservative force (n.) 保守力
24. momentum (n.) 動量 (linear + ~ 線動量 / angular + ~ 角動量)
* the conservation of linear momentum (n.) 線動量守恆
* the conservation of angular momentum (n.) 角動量守恆
25. impulse (n.) 衝量
26. collision (n.) 碰撞
elastic + ~ 彈性 / inelastic + ~ 非彈性
27. center of mass (CM) (n.) 質心
28. rigid body (n.) 剛體
⭐️ 重力與場
29. the principle of superposition (n.) 疊加原理
30. field (n.) 場 (⚠️ 英模曾經抄過各種「場」大餐,記得複習)
* gravitational field (n.) 重力場
* electromagnetic field (n.) 電磁場
⭐️ 克卜勒定律 (Keplers’ laws of planetary motion)
31. orbit (n.) 軌道
cf. orbital (n.) 軌域 (在高三化學淺談量子力學會講)
32. focus (n.) 焦點 (pl: foci)
33. perihelion (n.) 近日點 / aphelion (n.) 遠日點
cf. perigee (n.) 近地點 / apogee (n.) 遠地點
34. elliptical (a.) 橢圓的
35. escape velocity (n.) 脫離速度
———————————————————————
好多字俐媽都懂,
啊它們到底在講什麼?😂😂
(果然是門外漢哪⋯⋯)
感謝莊學長🙏🏼
.
#俐媽英文教室
#俐媽英文教室物理篇
#歡迎其他領域孩子投稿貢獻
#傳道有先後
#術業有專攻
#台大明明精銳盡出
角速度向量 在 數學老師張旭 Youtube 的最佳解答
各位同學大家好,我是魔人普物的EJ老師
我的普通物理系列的第二堂課正式上線啦😄
第二堂課會教各位如何去描述一個物體的運動
運動學的專有名詞及定義,在國高中物理就有教了
到了大學普物我們會正式引入微積分幫助我們做運算
為了不讓各位同學睡著,所以我精心準備了有趣的題目
回家作業也頗具挑戰性,希望你們能好好享受思考的過程
【習題解答】
👉https://reurl.cc/pgl2We
魔人普物EJ老師Youtube頻道
👉https://reurl.cc/VEmY5A
EJ老師Facebook粉絲專頁
👉https://reurl.cc/LbexKK
EJ老師個人日常Instagram
👉https://www.instagram.com/ej.physics/
如果你喜歡這部影片,麻煩幫我按個讚或訂閱我的頻道
你們的支持將會成為我繼續推出優質普物課程的動力😊
#運動學 #垂直獨立性 #質點 #微積分 #有初始高度斜拋的最遠射程問題 #進擊的巨人 #瑪莉亞之牆 #砲台 #渡河問題 #淡水 #八里 #圓周運動 #曲線運動 #切向加速度 #法向加速度 #極座標 #相對運動 #角速度 #位置 #速度 #加速度 #速率 #向量 #新竹美食 #座標轉換 #絕對時空觀
角速度向量 在 李祥數學,堪稱一絕 Youtube 的最佳貼文
追蹤我的ig:https://www.instagram.com/garylee0617/
加入我的粉絲專頁:https://www.facebook.com/pg/garylee0617/
有問題來這裡發問:https://www.facebook.com/groups/577900652853942/
喜歡這支影片,記得按個"喜歡",並且分享
訂閱就可以看到最新的影片
你最棒,記得按鈴鐺^^
國中會考總複習:https://www.youtube.com/playlist?list=PLOAKxvSm6LGlbMqjF4W6ElHM_lrFZijkg
抖音精選:https://www.youtube.com/playlist?list=PLOAKxvSm6LGmoWuzdrsxoeKQBR_GgZyIk
學測考前猜題:
https://www.youtube.com/playlist?list=PLOAKxvSm6LGko-fghK4k3eZJ23pmWqN_k
指考數甲數乙總複習
https://www.youtube.com/playlist?list=PLOAKxvSm6LGlrdoVFRflK46Cm25CGvLBr
數學思考題型:https://www.youtube.com/playlist?list=PLOAKxvSm6LGmx__4F2KucNWpEvr1rawkw
關於數學的兩三事:https://www.youtube.com/playlist?list=PLOAKxvSm6LGlD5ABfGtLkOhNIRfWxIRc5
高中數學重要觀念解析:https://www.youtube.com/playlist?list=PLOAKxvSm6LGkzAh5k3h-CI0-clwS7xsWm
高中數學講座:https://www.youtube.com/playlist?list=PLOAKxvSm6LGmgafYQliX1Ewh2Ajun9NNn
統測考前猜題:
https://www.youtube.com/playlist?list=PLOAKxvSm6LGkP_Nvl8iToZUWNfOHT42Pg
角速度向量 在 范琪斐 Youtube 的最佳解答
人臉辨識,就是用科技計算的方式,來比較臉部視覺特徵,藉此鑑定身分的一種電腦技術。
其實我們可以把人臉辨識想像成是一套演算法,各種不同的廠商或公司可能會有不同的演算規則。但整體的邏輯是一樣的,通常會先偵測人臉、然後進行臉部校正與擷取特徵、再進行比對工作。
當攝影機拍到你的時候,它第一步也會先切成一張一張的影格,然後去找到你的臉,就像是我們相機在拍照的時候,它不是會在臉旁邊出現一個框框讓你比較好對焦,這就是使用了人臉偵測的技術。
也因為人臉其實有一些特徵,所系統會開始擷取一些我們臉上出具有「辨別度」的特徵,像是顴骨的形狀啦、眼窩的深度之類的,一張臉大約有80幾個識別點,但也因為拍攝時可能剛好低頭或轉頭,或是受到光線影響之類的,有些系統會在抓取特徵的時候也要進行校正,利用人中啊、眼睛啊或嘴角之類的作為錨點,將人臉校正到同一個比較基準。現在也有2D轉3D的技術,用3D模型來計算你不同角度應該是長什麼樣子。那抓出這些特徵以後呢,這個演算法會把你臉上用這些特徵畫出來的向量,轉換成編碼,於是你這個人獨特的特徵就可以用一串數字來代表,最後再送到資料庫進行比對。
雖然人臉識別這個技術早再很多年前就已經開始發展,但是到這幾年因為電腦計算速度大幅加快、雲端技術成熟,才有較大的進展。而且這樣子一套演算法,還需要透過AI深度學習,模擬我們大腦神經網絡的運作,然後從大規模未標記的資料中學習,來建立出一套演算法、不斷優化出更好的模型。才能讓辨識度越來越準確。
不過即使臉部辨識技術已經發展了一段時間,辨識準確度卻還是有待加強,美國國家標準暨技術研究院 (Nist) 的一項測試就發現,2014年到2018年期間,人臉辨識系統因為深度學習的技術,失敗率從4% 降到 0.2%。BUT!資料庫中的照片跟現實生活中可不一樣,每個人頭擺的角度、臉出現在畫面中的位置、拍攝光線、畫素、有沒有戴帽子、帶圍巾或變老,這些都會影響準確度。而且目前雙胞胎的辨識,還是一大難題。
像是英國南威爾斯警方2017在歐洲足球冠軍賽期間,測試一款全新的AI臉部識別程序,可以搜尋比對資料庫裡面的50萬筆潛在罪犯資料,結果系統在17萬名觀眾當中,配對了2470人為潛在目標,但是錯誤率高達92%。
Amazon 2016年推出影像辨識 AI 系統Rekognition,也曾經把28名國會議員辨識為罪犯,讓大家都嚇到吃手手。美國奧蘭多市政府也從 2017 年開始與 Amazon 合作進行先導計劃,在市內幾個地方架設監視器,實時進行人臉辨識,希望可以找出通緝犯等特定人士,幫助執法。不過在 15 個月的測試中,卻發現系統經常誤判,準確度常常出問題,後來在2019年終止這項合作。
人臉辨識跟很多技術一樣,就是個雙面刃。雖然這項科技已經越來越進步,而且透過電腦的深度學習,讓判讀的準確度大大提升,但它仍然不像DNA那樣,正確度高達99.9%,可以作為決定性的判定標準。
--------------------------------------
《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在 #寰宇新聞台 播出,沒跟上的也沒關係,歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://reurl.cc/ZvKM3 1030pm準時上傳完整版!
角速度向量 在 角位移、角速度、角加速度 - YouTube 的推薦與評價
角位移、 角速度 、角加速度. 燕清廖. 燕清廖. 5.44K subscribers. Subscribe. <__slot-el>. Subscribed. 64. I like this. I dislike this. ... <看更多>
角速度向量 在 角位移與角速度 - YouTube 的推薦與評價
課程簡介:由中華科技大學張麟老師講授,本單元介紹角位移與 角速度 在旋轉運動的定義,分析及應用,內容重要又簡潔,相信同學看完之後,對角位移與 ... ... <看更多>
角速度向量 在 [問題] 角速度的定義- 看板Physics - 批踢踢實業坊 的推薦與評價
小弟來ptt不久,本篇更是首po,若文章中有任何不妥之處,還望各位大大提醒,小弟會立即修正。
小弟以前對角速度的定義都是如同維基所寫的:
https://zh.m.wikipedia.org/zh-tw/角速度
即w=rxv/r^2
雖然這個定義下得到的w,並不是很直觀,但能藉此導出v_theta=rxw,也算是很方便了。
(v_theta指的是v-v_r即只有垂直徑向的速度
但最近看到一個新的定義,讓小弟有些困惑
首先由
(本圖非小弟所寫,但已經過當事人同意
可得到一旋轉矩陣,且由於二階微量可視為零,故不管先轉任一軸,其結果皆相同。
那麼位置向量r做一小旋轉變成r'
也就是當沒有徑向速度v_r時,速度可以以此形式表示。
但以我原本對w的定義,似乎等同於這裡的d(theta)/dt
所以小弟就開始試這證明這兩者相同,卻得到很奇怪的結論。
由原先的w=rxv/r^2
如果這裡的w_x dt=d(alpha)
那麼這個證明基本上就成功了,所以我開始找d(alpha)的形式
用y,z軸建立一極座標平面,alpha為位置向量與y軸的夾角。
就差那麼一點!!
我得到的d(alpha)和w_x dt在分母差了一個(r_x)^2阿!!
難道這裡的w和d(theta)/dt就真的不等於嗎?
但兩者和r做外積,卻都能得到垂直於徑向的速度!
只是差在原先定義的w就算有徑向速度也能計算,
後者在推導時卻是假設沒有徑向速度
(即r^2是constant,只做旋轉
也就是w×r=v-v_r是由定義可得到的
(把w=rxv/r^2帶入,由向量三重積得
但d(theta)/dt x r在有徑向速度時,原先的推導就不可用(或說需修正
兩者只差只在此而已,但我算出的w_x dt 卻不等於d(alpha),是兩者真的不相同嗎?
還是我的過程出錯了?
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.35.77.233
※ 文章網址: https://www.ptt.cc/bbs/Physics/M.1481428632.A.454.html
小弟回覆也是第一次…應該是這麼做沒錯w
大大指的是極座標那邊的過程錯誤嗎?
※ 編輯: YOwOYa (114.35.77.233), 12/11/2016 12:15:52
※ 編輯: YOwOYa (114.35.77.233), 12/11/2016 12:18:46
是的,可以寫成這樣
可是接下來的步驟要跟我原本的方法不一樣,小弟就不懂了Orz
其實關於很多這類的書籍,我都不知道要去哪買QQ
※ 編輯: YOwOYa (114.35.77.233), 12/11/2016 12:24:26
※ 編輯: YOwOYa (114.35.77.233), 12/11/2016 12:35:15
※ 編輯: YOwOYa (114.35.77.233), 12/11/2016 12:36:42
照維基的定義,我的理解方式是:
在三維座標中,一垂直於徑向的速度,順時可看做形成一平面,而這個w值,就是在此平面上的角速度,且方向與平面垂直。
如果wiki是錯的,那對於速度可以用v=w×r,只能說是剛好囉?
※ 編輯: YOwOYa (114.35.77.233), 12/11/2016 12:44:05
如果這樣定義,比方說w_x,就只看v,r在yz的大小,那麼就能跟d(theta)/dt的定義相符了,只是對於這樣的v=rxw我還要在算一下ww
不過可以去找找看,謝謝您!
比方說理論力學就要在理想約束,完整約束下才好用
雖然這很常見,但並沒有牛頓力學來的普遍阿!
想來是我學的不夠QQ
是說到正則變換我就完全看不懂了XD
※ 編輯: YOwOYa (114.35.77.233), 12/11/2016 13:23:19
※ 編輯: YOwOYa (114.35.77.233), 12/11/2016 13:30:33
google找不太到
※ 編輯: YOwOYa (114.35.77.233), 12/11/2016 16:24:38
... <看更多>