基于摇晃实时视讯之强韧式火焰侦测法 我们的论文被 2019 工程科技应用研讨会 所接受。会议日期是公元二零一九年四月十二日，地点在台北城市科技大学的工程学院。 我们将研究成果放在 GitHub，网址是 https://github.com/laitaiyu/ComputerVision__HEFD-MCS ，我们提供部分的程序原始码，以及完整的实验档案。 火焰侦测的两个关键问题是高准确率和低误报率，本研究主要关注后者。在过去，来自监视的静态视频 - 用于分析和发现火焰。然而，这些研究是使用背景方法进行的，后者无法处理动态视频，例如用手机拍摄的视频。为了实现静态和动态视频的全自动火焰检测，本研究采用了两种高效策略。首先，特征提取：建立强Sobel边缘和火焰纹理，然后增强图像边缘。火焰颜色过滤器规则有助于过滤火焰候选区域。其次，高性能分析方法：通过运动向量法和填充率过滤火焰或非火焰，然后使用组来建立火焰的轮廓。我们的实验结果表明，静态，动态（包括摇晃）和实时视频的结果为92.83％（TP），9.76％（FP），1.77％（FN）。 本研究旨在从不稳定的火场景镜头或从不同角度拍摄的镜头中检测火焰。 本节讨论了所提出的火焰检测方法的可行性和可靠性。 使用所提出的方法构建高效火焰检测移动相机系统（HEFD-MCS）。 实验结果证明HEFD-MCS可以正确捕捉火焰。 图１ 火焰侦测系统流程图 图１显示了所提出系统的过程。 火焰检测有两个主要步骤。 首先，特征提取：建立强Sobel边缘和火焰纹理，然后增强图像边缘。 火焰颜色过滤器规则有助于过滤火焰候选区域。 其次，高性能分析方法：通过运动矢量法和填充率过滤火焰或非火焰，然后使用组建立火灾探测轮廓。 大多数摇摇欲坠的视频来自I.M.C. 数据库（中山大学智能媒体计算实验室）。 按照I.M.C. 火灾数据集网站截至2015年1月19日，http://vision.sysu.edu.cn/systems/fire-detection/）。 森林火灾1 (forst 1)和森林火灾2 (forst 2)视频都来自A. E. Cetin [2]。 （截至2018年11月12日，基于计算器视觉的火灾探测软件.http://signal.ee...

基於搖晃即時視訊之強韌式火焰偵測法 我們的論文被 2019 工程科技應用研討會 所接受。會議日期是西元二零一九年四月十二日，地點在台北城市科技大學的工程學院。 我們將研究成果放在 GitHub，網址是 https://github.com/laitaiyu/ComputerVision__HEFD-MCS ，我們提供部分的程式原始碼，以及完整的實驗檔案。 火焰偵測的兩個關鍵問題是高準確率和低誤報率，本研究主要關注後者。在過去，來自監視的靜態視頻 - 用於分析和發現火焰。然而，這些研究是使用背景方法進行的，後者無法處理動態視頻，例如用手機拍攝的視頻。為了實現靜態和動態視頻的全自動火焰檢測，本研究採用了兩種高效策略。首先，特徵提取：建立強Sobel邊緣和火焰紋理，然後增強圖像邊緣。火焰顏色過濾器規則有助於過濾火焰候選區域。其次，高性能分析方法：通過運動向量法和填充率過濾火焰或非火焰，然後使用組來建立火焰的輪廓。我們的實驗結果表明，靜態，動態（包括搖晃）和實時視頻的結果為92.83％（TP），9.76％（FP），1.77％（FN）。 本研究旨在從不穩定的火場景鏡頭或從不同角度拍攝的鏡頭中檢測火焰。 本節討論了所提出的火焰檢測方法的可行性和可靠性。 使用所提出的方法構建高效火焰檢測移動相機系統（HEFD-MCS）。 實驗結果證明HEFD-MCS可以正確捕捉火焰。 圖１ 火焰偵測系統流程圖 圖１顯示了所提出系統的過程。 火焰檢測有兩個主要步驟。 首先，特徵提取：建立強Sobel邊緣和火焰紋理，然後增強圖像邊緣。 火焰顏色過濾器規則有助於過濾火焰候選區域。 其次，高性能分析方法：通過運動矢量法和填充率過濾火焰或非火焰，然後使用組建立火災探測輪廓。 大多數搖搖欲墜的視頻來自I.M.C. 數據庫（中山大學智能媒體計算實驗室）。 按照I.M.C. 火災數據集網站截至2015年1月19日，http://vision.sysu.edu.cn/systems/fire-detection/）。 森林火災1 (forst 1)和森林火災2 (forst 2)視頻都來自A. E. Cetin [2]。 （截至2018年11月12日，基於計算機視覺的火災探測軟件.http://signal.ee...

A Robust Flame Detection Method Base for Shaky Real-Time Video Our proposed was accepted to the engineering technology application conference in 2019 . The conference place is in the College of Engineering of the Taipei City University of Science & Technology (TPCU) in Taiwan (R.O.C.), and Conference Date on 12th April, 2019. We provide the files of our study that the part of the source code of the HEFD-MCS (A High Efficiency Flame Detection Mobile Camera System), and experiment files. These files are in the GitHub, and the hyperlink is https://github.com/laitaiyu/ComputerVision__HEFD-MCS  . Two key issues of flame detection are high accuracy and low false alarm rate, and this study focuses the latter. In the past, static video from surveillance camer-as was used to analyze and find the flames. However, these studies were conducted us-ing the background method, which cannot process dynamic videos such as the video taken with a mobile phone. In order to a...

我簡要介紹一下 Microsoft DAT263x 考試，並獲得了認證。考試重點關注 Azure 功能，例如文本處理，自然語言處理，語言理解智能服務，圖像和視頻處理，智能機器人......等。 Microsoft Azure 有一些實驗室考試。但是，該教學課程已經過時了。因此，該課程告知〝2017年9月， Azure Machine Learning 被重命名為 Azure Machine Learning Studio ，並發布了名為 Azure Machine Learning Experimentation 的新 Azure service 的預覽版本。本課程重點介紹 Azure 機器學習工作室。〞所以我不能完全按照教學課程，我必須遵循 Azure 機器學習工作室的功能。 您將學習機器學習基礎知識部分的回歸，分類和聚類模型。最後，發布 Predictive Web Service。當您觀看這些視訊教學課程時，通過該部分的實驗室非常容易。 語言和溝通（Language and Communication）部分有三個與實驗相關的問題。完成實驗後，您可以正確回答這三個問題。因為答案是在實驗中。 在電腦視覺（Computer Vision）部分，問題 1 是影像處理的基本知識。問題 2 和問題 3 都是 Azure 的功能。因此，您必須了解 Azure 上的電腦視覺功能。 對話作為平台（Conversation as a Platform）部分，你必須了解一些功能，如 Cortana，Skype，...等 :) 總而言之，在我看來，這是 AI 介紹的一個很好的教學課程。您將 在DAT263x 課程中獲得有關 AI 的基本知識。 圖１：這是我的DAT263x考照成績。 圖２：這是我的DAT263x證照。 賴岱佑老師的科技、科幻與文化遊樂園

I want to brief the Microsoft DAT263x exam, and I awarded the certification. The exam focuses the Azure functions, such as Text Processing, Natural Language Processing, Language Understanding Intelligent Service, Image and Video Processing, Intelligent Bots, ..., etc. There are a few lab exams with Microsoft Azure. However, the tutorial is old. Therefore, the course informed "In September 2017, Azure Machine Learning was renamed to Azure Machine Learning Studio, and a preview of a new Azure service named Azure Machine Learning Experimentation was released. This course focuses on Azure Machine Learning Studio." So, I cannot completely follow the tutorial, and I have to follow the functions of the Azure Machine Learning Studio. You will learn Regression, Classification, and Clustering Model on Machine Learning Fundamentals section. Finally, Publishing a Predictive Web Service. It's so easy to pass the lab on the section, when you have watched these video tutorials. The ...

Poland Jacek Ciesielski, General Manager, De Gruyter Poland. (English Edition). Taiwan Chu, Jia-Chen (褚家辰), Chief Executive Officer, International Han Institute. (Traditional Chinese Edition). United States of America Mr. C.S. Yang Vincent, President, TCBP (Teaching Chinese for Business Purposes). (English Edition). Mr. C.S. Yang Vincent, President, TCSOL (Teachers of Chinese to Speakers of Other Languages). (English Edition).

Improve on the Linear-Time Component-Labeling Algorithm Our proposed was accepted to the international conference on Information Technologies and Practices in 2019 . The conference place is in the School of Information Technology of the Ming Chuan University in Taiwan (R.O.C.), and Conference Date on 15th March, 2019. We provide the files of our study that the source code of the CCL, FastCCL execution file, and experiment files. These files are in the GitHub, and the hyperlink is https://github.com/laitaiyu/ImageProcessing__FastLCL A new high-performance linear time algorithm is presented in this article using contour tracing technique and these contours is in binary images. The main step of this algorithm is to use a contour tracing technique to detect the external contour of each component, and also to identify and label the interior area of each component. Labeling is done in a single pass over the image. Moreover, no relabeling is required throughout th...

改进基于线性时间元件标签演算法 我们的论文被 2019资讯科技与实务研讨会 所接受。会议地点在台湾铭传大学资讯学院，会议日期为2019年3月15日。 我们提供了我们研究的文件，即CCL的原始码，FastCCL执行档和实验档案。这些文件在GitHub中，超连结是 https://github.com/laitaiyu/ImageProcessing__FastLCL 本文提出了一种新的高性能线性时间演算法，采用轮廓跟踪技术，这些轮廓采用二值化影像。该演算法的主要步骤是使用轮廓追踪技术来检测每个部件的外部轮廓，并且还识别和标记每个部件的内部区域。标记在影像上一次完成。而且，在整个过程中不需要重新标记。本研究改进了 张复[1] 等人的LCL演算法。我们的演算法比LCL演算法更快更好。对各种类型影像（字符，半色调图片，照片，报纸等）的实验表明，我们的方法优于使用等效技术的方法。我们的演算法不仅标记组件，而且能够提取轮廓点的组件轮廓和连续顺序，这对于许多应用都很有用，例如OCR（光学字符读取器），视频分析中的对象跟踪等。制作LCL演算法，以证明所提出的方法更快。 张复等人，在2004年，他们提出LCL演算法是基于轮廓的标记演算法之一。 LCL演算法具有以下优点。首先，它只需要扫描一次影像。由于上述轮廓追踪程序，轮廓点被多次访问，但不超过一定的次数。其次，它不需要任何重新标记处理。将标记索引分配给像素后，其值将保持不变。第三，我们获得了轮廓像素的所有轮廓和连续顺序的副产品。 然而，当LCL演算法遇到半色调影像或许多孤立点时，它往往花费很多时间在轮廓跟踪上。这是一个缺点。首先，我们提出了一种隔离点处理，以提高性能。我们建立一个孤立点处理以预先标记孤立点。为了检查孤立点，有一个优点是减少了不必要的轮廓跟踪。因为孤立点永远不会有轮廓。像素只是一个单点，没有相邻像素。 LCL演算法遇到仍然跟踪轮廓的孤立点。我们改进了LCL与孤立点相关的缺点。其次，我们提供了一种新的影像处理流程，以改善半色调影像和孤立点的处理，并且没有副作用。为了添加孤立点处理，我们设计了一个新的影像处理流程。如果我们发现像素是孤立点，则应将其包含在隔离处理中。一方面，如果像素处于轮廓中，则应将其包括在轮廓跟踪中。 孤立点处理：检查每个像素以查看它是...

改進基於線性時間元件標籤演算法 我們的論文被 2019資訊科技與實務研討會 所接受。會議地點在台灣銘傳大學資訊學院，會議日期為2019年3月15日。 我們提供了我們研究的文件，即CCL的原始碼，FastCCL執行檔和實驗檔案。 這些文件在GitHub中，超連結是 https://github.com/laitaiyu/ImageProcessing__FastLCL 本文提出了一種新的高性能線性時間演算法，採用輪廓跟踪技術，這些輪廓採用二值化影像。該演算法的主要步驟是使用輪廓追踪技術來檢測每個部件的外部輪廓，並且還識別和標記每個部件的內部區域。標記在影像上一次完成。而且，在整個過程中不需要重新標記。本研究改進了 張復[1] 等人的LCL演算法。我們的演算法比LCL演算法更快更好。對各種類型影像（字符，半色調圖片，照片，報紙等）的實驗表明，我們的方法優於使用等效技術的方法。我們的演算法不僅標記組件，而且能夠提取輪廓點的組件輪廓和連續順序，這對於許多應用都很有用，例如OCR（光學字符讀取器），視頻分析中的對象跟踪等。製作LCL演算法，以證明所提出的方法更快。 張復等人，在2004年，他們提出LCL演算法是基於輪廓的標記演算法之一。 LCL演算法具有以下優點。首先，它只需要掃描一次影像。由於上述輪廓追踪程序，輪廓點被多次訪問，但不超過一定的次數。其次，它不需要任何重新標記處理。將標記索引分配給像素後，其值將保持不變。第三，我們獲得了輪廓像素的所有輪廓和連續順序的副產品。 然而，當LCL演算法遇到半色調影像或許多孤立點時，它往往花費很多時間在輪廓跟踪上。這是一個缺點。首先，我們提出了一種隔離點處理，以提高性能。我們建立一個孤立點處理以預先標記孤立點。為了檢查孤立點，有一個優點是減少了不必要的輪廓跟踪。因為孤立點永遠不會有輪廓。像素只是一個單點，沒有相鄰像素。 LCL演算法遇到仍然跟踪輪廓的孤立點。我們改進了LCL與孤立點相關的缺點。其次，我們提供了一種新的影像處理流程，以改善半色調影像和孤立點的處理，並且沒有副作用。為了添加孤立點處理，我們設計了一個新的影像處理流程。如果我們發現像素是孤立點，則應將其包含在隔離處理中。一方面，如果像素處於輪廓中，則應將其包括在輪廓跟踪中。 孤立點處理：檢查每個像素以查看它...

  书名：模式化工作术 作者：信太明 译者：王蕴洁 ISBN：978-986-216-689-5 本书开宗明义地就说「模式化工作术」具有「效率性」、「生产力」、「正确性」、「非属人性」。首先，在效率性上，只要有范本可循，就不必每次都从零开始，也无须一再地重新回想，工作效率自然可以提高。其次，于生产力上，只需花费25%的时间就可以解决75%的例行公事，而剩余75%时间，则可投注在25%的高附加价值业务。第三，正确性上，一旦模式化，即使忘记也没有关系，因为记忆已经以模式的方式保存下来，随时可再度使用。最后，在非属人性中，只要为工作订下一定的作业模式和标准，就可以放心把工作交给别人，不管由谁来执行，都可以达到一样的效果。以上就是本书的重点。 在我读完本书之后，我发现该书的模式化工作术，跟软件工程有极大相类似的概念。模式化工作术的效率性跟非属人性，谈到的就是将例行的公事制作成检核表，因此下一次在遇到相同的例行公事，只要将检核表拿出来，逐一确认是否有完成即可，不必重新再思考该如何做。这一点跟软件工程的程序代码再利用（reuse）一模一样。除此之外，即使这张检核表交给别人来执行，执行者也只需要依照检核表行事即可，所完成的效果是不会有差别的。这一点也是跟软件工程的程序代码再利用相关。此时，就要来探讨如何建立这些模式呢？就像软件工程有许多方法学，来建立可再利用的程序代码一样。 本书提出几个方法来建立工作模式化。首先，要有目的，因为缺乏目的的模式化将无法持续。其次，纪录是模式化的第一步，有工作的纪录过程，便可以抽出重要的部分作为模式化。第三，将工作模式化的三个模式，分别是以「5W2H」厘清工作的目的；将达成目的的必要要素按「时间序列」或是「大分类／中分类／小分类」加以分类；将分类的项目写成检查表或手册，分别填入有效的方法，注意事项，自己经历过，或是纪录，保存下来的见解或诀窍。无论做甚么事情都必须明确的了解为什么要这么做，如果没有明确的目的，就无法采取有效的行动。「5W2H」及是Who、Where、When、Why、What、How、How much，只要整理出这些事项，在模式化时，就可以减少错误。时间序列可分为「时间轴流程」、「进度的流程」，时间轴流程可以这样描述：「预约取得日、三天前、前一天晚上六点...