新書推薦：
《
英国小史
》
售價：HK$
94.3
《
影响力原则
》
售價：HK$
78.2
《
德川家康（全十三册）（他用30年活了下来，建立起300年基业）
》
售價：HK$
918.9
《
新知文库·动人的北平
》
售價：HK$
34.3
《
萧条中的生存策略
》
售價：HK$
57.4
《
银色瀑布：美国兵工厂与中途岛海战
》
售價：HK$
79.4
《
乔丹法则
》
售價：HK$
80.3
《
如何不被一杯水淹没
》
售價：HK$
67.9
|
| 編輯推薦： |
（1）立足构建实际的机器视觉系统，建立系统的观念，学会从系统的角度分析机器视觉系统的性能、面对的挑战以及采用的应对方法
（2）融合数字图像处理和深度学习，体现当下以深度学习为主、以数字图像处理为辅来构建机器视觉模型的主流技术路线
（3）紧密结合复杂工业场景应用和案例，原理讲解通俗、易于理解，案例解读实用、针对性强
|
| 內容簡介： |
|
本书以机器视觉系统为研究背景，紧密结合实际工业应用案例，介绍传统数字图像处理方法和基于深度学习的数字图像处理方法。本书共8章，内容包括数字图像处理概述、基于传统方法的数字图像处理、基于深度学习的数字图像处理、工业字符智能识别、磨粒图谱识别与分割、射线检测的焊缝缺陷识别、嵌入式机器视觉系统开发、工业数字图像处理相关工具和平台。 本书逻辑结构清晰、内容通俗易懂、案例丰富、图文并茂，突出构建机器视觉系统的实用性。本书教学资源丰富，每章配置了大量的习题以巩固基本概念、基础理论和算法，附录还给出4个典型实验以培养综合开发和运用能力。 本书可作为具有一定计算机基础和程序设计基础知识的本科生教材，也可作为从事机器视觉、数字图像等相关工作的工程师的参考书。
|
| 目錄：
|
第1章数字图像处理概述/1
1.1数字图像1
1.2数字图像处理2
1.3工业数字图像4
1.4图像的数字化6
1.4.1颜色及颜色空间7
1.4.2图像的采样15
1.4.3图像的量化15
1.4.4图像的编码16
1.4.5数字图像的存储空间17
1.5机器视觉系统18
1.5.1机器视觉系统概述18
1.5.2光源19
1.5.3相机23
1.5.4图像采集卡25
1.5.5工业视觉处理机26
1.6机器视觉系统的典型案例26
1.6.1钢铁生产过程的钢板号智能识别系统27
1.6.2焊接缺陷智能识别及辅助评片系统27
1.6.3机械设备磨粒图谱智能识别系统27
1.6.4钢包挂钩安全检测系统29
1.7机器视觉系统的开发流程29
本章小结30
习题30
第2章基于传统方法的数字图像处理/32
2.1数字图像中像素间的空间关系32
2.1.1像素的邻域32
2.1.2像素间的邻接关系33
2.1.3通路34〖1〗数字图像处理与深度学习目录〖3〗〖3〗2.2数字图像中像素的基本运算34
2.2.1线性点运算34
2.2.2算术运算36
2.2.3逻辑运算39
2.2.4直方图均匀化40
2.3图像滤波45
2.3.1均值滤波46
2.3.2高斯加权均值滤波47
2.3.3中值滤波48
2.3.4双边滤波49
2.3.5频域滤波50
2.4边缘检测53
2.4.1梯度原理54
2.4.2Roberts算子55
2.4.3Sobel算子56
2.4.4Prewitt算子57
2.4.5拉普拉斯算子58
2.4.6Canny算子59
2.5图像分割63
2.5.1阈值分割63
2.5.2最大类间方差法65
2.5.3区域生长算法67
2.5.4分水岭算法68
2.5.5聚类算法70
2.5.6图割算法71
2.6图像的形态学处理方法73
2.6.1腐蚀74
2.6.2膨胀74
2.6.3开闭运算76
2.7图像的纹理特征79
2.7.1图像的统计矩80
2.7.2灰度共生矩阵81
2.7.3LBP85
2.7.4分形维数90
2.8图像处理的简单应用91
2.8.1基于模板匹配的目标检测91
2.8.2霍夫检测93
2.8.3特征检测97
2.9金相组织分析101
本章小结104
习题105
第3章基于深度学习的数字图像处理/109
3.1人工智能与机器学习109
3.1.1人工智能概述109
3.1.2机器学习概述110
3.2深度学习的基本概念111
3.2.1深度学习概述111
3.2.2深度学习的损失函数113
3.2.3深度学习的评价指标115
3.2.4深度学习模型开发的一般过程117
3.3普通神经网络120
3.3.1人工神经元121
3.3.2神经网络的拓扑结构121
3.3.3激活函数122
3.3.4BP算法124
3.4深度卷积神经网络128
3.4.1卷积129
3.4.2层间连接133
3.4.3池化134
3.4.4全连接135
3.4.5Dropout136
3.4.6批量归一化136
3.4.7深度卷积神经网络的参数优化方法136
3.5经典的深度卷积神经网络140
3.5.1LeNet5140
3.5.2VGG16141
3.6深度卷积神经网络中的新技术143
3.6.1Inception模块143
3.6.2视觉注意力模块144
本章小结146
习题147
第4章工业字符智能识别/151
4.1钢铁生产过程中的工业字符151
4.2钢铁生产过程中工业字符识别的难点153
4.3基于传统图像处理的字符识别154
4.4基于深度学习的工业字符识别156
4.4.1目标检测网络156
4.4.2RCNN网络156
4.4.3Fast RCNN158
4.4.4Faster RCNN159
4.4.5基于Faster RCNN进行工业字符识别160
本章小结163
习题163
第5章磨粒图谱识别与分割/165
5.1铁谱分析技术165
5.2设备磨损机理167
5.3磨粒图谱168
5.3.1正常磨粒168
5.3.2切削磨粒168
5.3.3球状磨粒169
5.3.4严重滑动磨粒169
5.3.5疲劳磨粒169
5.3.6铜合金磨粒170
5.3.7黑色氧化物磨粒171
5.3.8红色氧化物磨粒171
5.4基于传统图像处理的磨粒特征计算171
5.4.1磨粒的颜色特征172
5.4.2磨粒的形状特征172
5.4.3磨粒的纹理特征173
5.4.4磨粒特征计算示例173
5.5基于深度卷积神经网络的磨粒图谱识别179
5.5.1磨粒图谱标注179
5.5.2特征提取网络180
5.5.3非极大值抑制181
5.5.4基于深度卷积神经网络的磨粒图谱识别实验结果展示181
5.5.5基于GrabCut的磨粒分割181
本章小结183
习题184
第6章射线检测的焊缝缺陷识别/186
6.1射线检测技术186
6.1.1射线检测设备186
6.1.2射线检测方法186
6.2射线检测缺陷成像187
6.2.1胶片成像187
6.2.2数字成像188
6.3焊缝缺陷图谱189
6.3.1裂纹190
6.3.2未熔合190
6.3.3未焊透190
6.3.4条形缺陷191
6.3.5气孔缺陷 191
6.4焊缝缺陷识别的困难及应对策略191
6.4.1底片透过亮度较小192
6.4.2缺陷尺寸较小192
6.4.3目标边缘模糊192
6.4.4噪声干扰严重193
6.4.5影像变形较大193
6.4.6面积型缺陷成像差异较大194
6.4.7重叠缺陷的影像变化复杂194
6.4.8综合应对策略195
6.5基于深度学习的焊缝缺陷识别195
6.5.1特征金字塔网络195
6.5.2数据扩增方法196
6.5.3基于深度学习的焊缝缺陷识别实验结果展示197
6.5.4前端界面199
本章小结200
习题200
第7章嵌入式机器视觉系统开发/202
7.1边缘计算202
7.2嵌入式机器视觉开发板203
7.2.1EAIDK系列开发板203
7.2.2Atlas开发板204
7.2.3Jetson开发板205
7.3MobileNet205
7.3.1深度可分离卷积206
7.3.2通道因子与分辨率因子208
7.4SSD算法209
7.5嵌入式机器视觉系统开发的过程210
7.5.1数据收集210
7.5.2数据标注211
7.5.3模型训练213
7.5.4模型转换214
7.5.5模型部署215
本章小结216
习题216
第8章工业数字图像处理相关工具和平台/218
8.1OpenCV218
8.1.1OpenCV简介218
8.1.2OpenCV代码实例219
8.2PyTorch222
8.2.1数据223
8.2.2数据操作224
8.2.3梯度计算225
8.2.4图像卷积226
8.2.5基于LeNet5网络实现对磨粒图谱分类227
8.3MindSpore238
本章小结240
习题240
附录实验/242
实验1: 基于传统图像处理方法的边缘检测242
实验2: 基于传统图像处理方法的图像分割242
实验3: 基于深度学习的图像分类243
实验4: 基于深度学习的目标检测243
参考文献/245
|
| 內容試閱：
|
人工智能(Artificial Intelligence， AI)已经成为新一代工业生产和生活方式变革的核心驱动力，正在对各行各业产生深远的影响。通俗来说，人工智能就是使用人工的方法在计算机上实现的智能。人工智能领域中，机器视觉和深度学习是最为活跃的研究方向，也是目前人工智能领域中最受关注的广泛性技术应用。
随着智能制造的深入推进，机器视觉以其非接触式感知、处理速度快和计算精准等优点，广泛应用在物流跟踪、质量检测和安全监控等各种工业场景。传统的数字图像处理方法，如滤波、边缘检测、分割、纹理特征提取和形态学运算等，对于复杂工业场景的机器视觉已经显得越来越“力不从心”，而将深度学习与传统数字图像处理方法结合，以深度学习为主构建识别、检测和分割模型，以传统数字图像处理方法进行预处理、后处理或辅助处理，已经成为工业场景中主流的技术路线。因此，传统数字图像处理方法与深度学习方法正在进行深度融合，以构建更加可靠、更高精度、更快速度的机器视觉系统。本书内容组织如下。
第1章对数字图像、图像数字化过程、工业数字图像、机器视觉系统组成及开发过程等基础知识进行概述，从硬件、软件两个角度展现实际的机器视觉系统的全貌，揭示传统数字图像处理方法和深度学习方法对构建机器视觉系统的重要作用。
第2章对基于传统方法的数字图像处理进行一般性介绍，以像素及像素之间的位置关系为主线，涉及像素的算术和逻辑运算、图像滤波、边缘检测、图像分割、纹理计算和形态学运算等常见的计算和处理方法，掌握对图像或图像中感兴趣目标的颜色、形状以及纹理等特征进行分析和抽取的经典方法。同时，本章通过实际案例分析基于传统方法进行数字图像处理的优点和不足。
第3章对基于深度学习的数字图像处理进行全面介绍，涉及人工智能、机器学习、深度学习的基本概念，深度学习的训练、损失函数设计、评价指标计算等基本方法，深度学习模型开发的一般过程，普通神经网络的基本结构，深度卷积神经网络的基本算子，代表性的深度卷积神经网络以及深度卷积神经网络中的新技术，使读者深入理解深度卷积神经网络对数字图像进行特征抽取的原理和过程，体会深度学习应用于工业数字图像处理和机器视觉系统开发的优势。〖1〗数字图像处理与深度学习第4章以钢铁工业中的字符识别问题为任务，介绍使用传统数字图像处理方法进行识别的一般过程，对传统数字图像处理方法应用于实际工业场景的不足和局限性进行了简单分析，对两阶段目标检测的深度卷积神经网络发展、原理和应用进行重点讨论，展示使用深度学习方法进行工业场景中较为简单的目标检测的案例。
第5章以磨粒图谱识别与分割问题为任务，介绍铁谱分析技术、设备磨损机理和磨粒图谱，对使用传统图像处理方法提取磨粒颜色、形状和纹理特征进行展示，同时对使用深度卷积神经网络进行磨粒图谱检测并使用传统数字图像处理方法对检测出的目标区域进行分割的全过程进行详细讨论，展示结合深度学习方法和传统图像处理方法进行工业场景中较为复杂的目标检测和分割的案例。
第6章以X射线的焊缝缺陷识别为任务，介绍射线检测技术、射线检测成像方式、焊缝缺陷中的典型图谱，系统讨论焊缝缺陷识别的困难和应对策略，基于两阶段目标检测的深度卷积神经网络，面向多尺度、小目标检测任务，对数据扩增方法、特征金字塔网络等进行重点介绍，系统、完整地展示以深度学习为主、以传统数字图像处理方法为辅的技术路线，以应对工业场景中的多尺度、小目标、边缘模糊等困难的检测任务。
第7章为嵌入式机器视觉系统开发，针对机器视觉深度学习模型在边缘进行部署的需求，简单介绍边缘计算的基本概念以及常见的嵌入式机器视觉开发板，对适合边侧部署和推理的轻量级卷积神经网络MobileNet进行较为详细的讨论，同时对一阶段目标检测算法SSD的原理进行概要描述，最后以实际案例展示嵌入式机器视觉系统开发的过程。
第8章对传统数字图像处理算法库OpenCV和深度学习框架PyTorch进行概要介绍，为本书相关内容的实践奠定基础。本章内容在实际教学过程中，可根据需要灵活组织。
本书共8章，第1、2章由李莉编写，第3～8章由汪红兵编写。全书由汪红兵统稿。在本书编写过程中，得到黄蓉、魏书琪、高丽园、陈新坜、康帅、刘靖谊、季晨、王佐铭、霍云、李航、周建飞、张文翰、杨灏瀛、闫岩、赵文慈等研究生同学的大力协助，在此一并表示感谢。
此外，本书第4章“工业字符智能识别”、第5章“磨粒图谱识别与分割”、第6章“射线检测的焊缝缺陷识别”及第7章“嵌入式机器视觉系统开发”，是在课题组承担的科研项目基础上总结提炼而成的，书中使用了课题相关单位提供的一些图谱和素材，在此表示最诚挚的感谢。
感谢各位审稿专家对本书的编排提出的宝贵意见。本书的编写得到了北京科技大学教材建设经费的资助，在此一并谢过。
由于作者水平有限，书中错误在所难免，恳请读者批评指正。
编者
2023年2月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
