第1章 機器視覺概述 001 1.1　機器視覺的基礎(chǔ)知識 002 1.1.1　機器視覺技術(shù)的工作原理 002 1.1.2　機器視覺技術(shù)的發(fā)展歷程 004 1.1.3　機器視覺系統(tǒng)的關(guān)鍵部分 006 1.1.4　機器視覺技術(shù)的發(fā)展趨勢 008 1.2　機器視覺產(chǎn)業(yè)鏈圖譜 010 1.2.1　典型機器視覺系統(tǒng)組成 010 1.2.2　機器視覺產(chǎn)業(yè)鏈分析 011 1.2.3　國外機器視覺主流廠商 014 1.2.4　國內(nèi)機器視覺主流廠商 015 1.3　雙目立體視覺系統(tǒng)原理 017 1.3.1　雙目視覺的視差與深度 017 1.3.2　雙目相機的相關(guān)坐標系 018 1.3.3　雙目相機的畸變系數(shù) 020 1.3.4　雙目相機的標定方法 021 1.3.5　雙目立體匹配的算法 023 第2章 機器視覺的硬件系統(tǒng)構(gòu)成 026 2.1　工業(yè)相機的類型與選型參數(shù) 027 2.1.1　工業(yè)相機的類型劃分 027 2.1.2　工業(yè)相機的主要參數(shù) 029 2.1.3　工業(yè)相機的選型步驟 031 2.2　工業(yè)鏡頭的分類與主要參數(shù) 032 2.2.1　根據(jù)有效像場劃分 032 2.2.2　根據(jù)鏡頭焦距分類 032 2.2.3　根據(jù)接口類型劃分 033 2.2.4　特殊用途的工業(yè)鏡頭 034 2.2.5　工業(yè)鏡頭的主要參數(shù) 034 2.3　工業(yè)光源的類型與選型技巧 039 2.3.1　影響光源選擇的因素 039 2.3.2　工業(yè)光源的照明設(shè)計 040 2.3.3　LED光源的特點與類型 041 2.3.4　光源的選型技巧與要點 045 第3章 基于主動學(xué)習(xí)的圖像分類 047 3.1　主動學(xué)習(xí)圖像分類的基礎(chǔ)知識 048 3.1.1　主動學(xué)習(xí)的概念與框架 048 3.1.2　主動學(xué)習(xí)圖像分類方法 049 3.1.3　圖像數(shù)據(jù)預(yù)處理的方法 050 3.1.4　樣本的選擇策略與設(shè)計 051 3.2　基于模型驅(qū)動的圖像分類算法 052 3.2.1　基于深度學(xué)習(xí)的模型 052 3.2.2　基于生成對抗網(wǎng)絡(luò) 056 3.2.3　基于深度強化學(xué)習(xí) 057 3.2.4　基于Transformer結(jié)構(gòu) 058 3.3　基于數(shù)據(jù)驅(qū)動的模型分類算法 059 3.3.1　基于圖像增廣的分類算法 059 3.3.2　基于特征插值的分類算法 063 3.3.3　基于數(shù)據(jù)分布的分類算法 064 3.3.4　主動學(xué)習(xí)圖像分類面臨的挑戰(zhàn) 065 3.3.5　主動學(xué)習(xí)圖像分類的研究方向 066 第4章 圖像處理與識別技術(shù) 068 4.1　機器視覺的圖像處理技術(shù) 069 4.1.1　圖像采集 069 4.1.2　特征提取 071 4.1.3　圖像預(yù)處理 072 4.1.4　圖像增強 073 4.1.5　圖像分割 074 4.1.6　圖像壓縮編碼 076 4.1.7　圖像復(fù)原 077 4.2　機器視覺的圖像識別技術(shù) 078 4.2.1　圖像識別原理與特點 078 4.2.2　圖像識別的關(guān)鍵技術(shù) 080 4.2.3　基于機器視覺的機器人 082 4.2.4　機器人的視覺識別過程 084 4.3　機器視覺圖像識別的方法 085 4.3.1　統(tǒng)計法 085 4.3.2　句法識別法 086 4.3.3　神經(jīng)網(wǎng)絡(luò)方法 086 4.3.4　模板匹配法 087 4.3.5　霍夫變換法 088 4.3.6　深度學(xué)習(xí)法 088 4.3.7　Blob分析法 092 第5章 目標檢測與跟蹤技術(shù) 094 5.1　基于深度學(xué)習(xí)的目標檢測算法 095 5.1.1　運動目標檢測圖像處理及算法 095 5.1.2　基于候選區(qū)域的目標檢測模型 096 5.1.3　基于回歸的圖像目標檢測模型 099 5.1.4　基于Anchor-free的目標檢測模型 101 5.2　視頻目標檢測與跟蹤的方法 103 5.2.1　視頻目標跟蹤的基礎(chǔ)知識 103 5.2.2　視頻目標跟蹤的應(yīng)用場景 105 5.2.3　視頻目標跟蹤的運動模型 106 5.2.4　視頻目標跟蹤的特征提取 107 5.2.5　視頻目標跟蹤的模型更新 108 5.2.6　視頻目標跟蹤的數(shù)據(jù)集 109 5.3　視頻目標跟蹤的觀測模型 111 5.3.1　基于子空間學(xué)習(xí)的跟蹤算法 111 5.3.2　基于稀疏表達的跟蹤算法 111 5.3.3　基于SVM的跟蹤算法 112 5.3.4　基于相關(guān)濾波器的跟蹤算法 112 5.3.5　基于分類網(wǎng)絡(luò)的跟蹤算法 114 5.3.6　基于雙路網(wǎng)絡(luò)的跟蹤算法 114 第6章 機器視覺的圖像分割技術(shù) 116 6.1　機器視覺圖像分割的經(jīng)典算法 117 6.1.1　基于閾值的圖像分割方法 117 6.1.2　基于區(qū)域的圖像分割方法 118 6.1.3　基于邊緣檢測的分割方法 119 6.1.4　基于聚類的圖像分割方法 121 6.1.5　基于圖論的圖像分割算法 123 6.2　圖像語義分割的應(yīng)用場景 124 6.2.1　圖像語義分割概述 124 6.2.2　應(yīng)用1：自動駕駛 125 6.2.3　應(yīng)用2：醫(yī)學(xué)影像 126 6.2.4　應(yīng)用3：視頻解析 127 6.3　基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割 128 6.3.1　基于深度學(xué)習(xí)的圖像分割算法 128 6.3.2　深度學(xué)習(xí)在醫(yī)學(xué)影像分割中的應(yīng)用 130 6.3.3　基于深度學(xué)習(xí)的腦部影像分割方法 131 6.3.4　醫(yī)學(xué)圖像分割的應(yīng)用挑戰(zhàn)與實踐對策 133 第7章 機器視覺的缺陷檢測技術(shù) 135 7.1　汽車漆面缺陷檢測技術(shù)與應(yīng)用 136 7.1.1　隧道式缺陷檢測系統(tǒng) 136 7.1.2　機器人式缺陷檢測系統(tǒng) 138 7.1.3　汽車漆面缺陷檢測算法 138 7.1.4　機器人式漆面缺陷檢測系統(tǒng)應(yīng)用案例 140 7.2　玻璃表面缺陷檢測技術(shù)應(yīng)用 141 7.2.1　傳統(tǒng)玻璃檢測存在的問題 141 7.2.2　玻璃表面缺陷檢測系統(tǒng)原理 142 7.2.3　機器視覺玻璃表面缺陷檢測技術(shù) 143 7.3　鋰電池缺陷檢測技術(shù)與應(yīng)用 144 7.3.1　鋰電池缺陷檢測與定位技術(shù) 144 7.3.2　鋰電池缺陷圖像分類技術(shù) 146 7.3.3　基于Qt Creator的檢測平臺 147 第8章 機器視覺的行業(yè)實踐 149 8.1　機器視覺在汽車工業(yè)中的應(yīng)用 150 8.1.1　機器視覺賦能智能工業(yè) 150 8.1.2　應(yīng)用場景1：特征識別 151 8.1.3　應(yīng)用場景2：視覺引導(dǎo) 154 8.1.4　應(yīng)用場景3：尺寸測量 154 8.2　機器視覺在物流領(lǐng)域的應(yīng)用 156 8.2.1　物流條形碼讀取 156 8.2.2　快遞物流自動分揀 158 8.2.3　AMR機器人環(huán)境感知 160 8.2.4　倉儲物流中的視覺應(yīng)用 161 8.2.5　生產(chǎn)物流中的視覺應(yīng)用 162 8.3　機器視覺在農(nóng)業(yè)領(lǐng)域的應(yīng)用 163 8.3.1　機器視覺在農(nóng)業(yè)生產(chǎn)中的應(yīng)用 163 8.3.2　機器視覺在農(nóng)業(yè)機械中的應(yīng)用 165 8.3.3　機器視覺在農(nóng)業(yè)應(yīng)用中的挑戰(zhàn) 166 參考文獻 168