"基礎理論篇 001
第1章緒論 002
1.1 機器視覺的定義 002
1.2 機器視覺的發展歷史 004
1.3 機器視覺的發展研究現狀 005
1.3.1 國外機器視覺現狀 005
1.3.2 國內機器視覺現狀 005
本章小結 007
參考文獻 007
第2章機器視覺繫統及應用 009
2.1 照明 010
2.2 鏡頭 011
2.3 圖像傳感器 012
2.4 視覺信息處理 012
2.5 通信模塊 013
2.6 機器視覺軟件 013
本章小結 014
參考文獻 014
第3章機器視覺繫統與平臺 015
3.1 機器視覺繫統 015
3.1.1 一維機器視覺繫統 015
3.1.2 二維機器視覺繫統 016
3.1.3 三維機器視覺繫統 017
3.2 機器視覺平臺 019
3.2.1 基於PC的視覺繫統 019
3.2.2 視覺控制器 019
3.2.3 獨立視覺繫統 019
3.2.4 視覺傳感器和基於圖像的條形碼閱讀器 020
3.2.5 嵌入式視覺繫統 020
3.2.6 基於GPU的視覺繫統 020
本章小結 021
參考文獻 021
應用實例篇:工業 023
第4章Delta並聯機器人機器視覺動態分揀 024
4.1 研究背景意義 024
4.2 項目研究目標 028
4.3 主要研究內容 029
4.4 項目研究方法 030
4.4.1 基於灰色關聯度的邊緣檢測算法 030
4.4.2 基於邊緣梯度的模板匹配算法 032
4.4.3 攝像頭及Delta機器人繫統標定 033
4.4.4 多Delta機器人繫統協同分揀策略 033
4.5 實驗結果分析 036
本章小結 038
參考文獻 039
第5章3-PPR平面並聯機構視覺伺服精密對位 041
5.1 研究背景意義 041
5.2 項目研究目標 046
5.3 主要研究內容 046
5.4 項目研究方法 047
5.4.1 並聯平臺的結構與原理 047
5.4.2 機器視覺伺服對位繫統 048
5.5 實驗結果分析 051
本章小結 053
參考文獻 054
第6章關節臂式機器人3D視覺智能抓取 056
6.1 研究背景意義 056
6.2 項目研究目標 061
6.3 主要研究內容 061
6.4 項目研究方法 062
6.4.1 基於遷移學習的卷積神經網絡 062
6.4.2 基於深度學習的3D物體識別及抓取區域檢測 063
6.4.3 基於深度強化學習的C空間路徑規劃與避障 066
6.5 實驗結果分析 069
本章小結 074
參考文獻 075
第7章工件表面缺陷視覺檢測 077
7.1 研究背景意義 077
7.2 項目研究目標 083
7.3 主要研究內容 084
7.4 項目研究方法 084
7.4.1 基於Hough變換的工件區域提取算法 084
7.4.2 基於圖像處理的表面缺陷檢測算法 086
7.4.3 基於深度學習的表面缺陷檢測算法 086
7.5 實驗結果分析 089
7.5.1 基於圖像處理的檢測算法的實驗結果分析 089
7.5.2 基於深度學習的檢測算法的實驗結果分析 090
本章小結 091
參考文獻 092
第8章工件尺寸視覺測量 096
8.1 研究背景意義 096
8.2 項目研究目標 098
8.3 主要研究內容 098
8.4 項目研究方法 099
8.4.1 照明技術研究 099
8.4.2 工業鏡頭 101
8.4.3 繫統硬件組成 102
8.4.4 檢測算法 103
8.5 實驗結果分析 107
本章小結 107
參考文獻 107
應用實例篇:交通 109
第9章鐵路貨車超限監測 110
9.1 研究背景意義 110
9.2 項目研究目標 111
9.3 主要研究內容 112
9.4 項目研究方法 112
9.4.1 邊緣檢測 112
9.4.2 閾值分割 113
9.5 實驗結果分析 114
本章小結 119
參考文獻 119
第10章高速列車弓網異常狀態檢測 121
10.1 研究背景意義 121
10.2 項目研究目標 124
10.3 主要研究內容 125
10.4 項目研究方法 125
10.4.1 YOLO網絡模型 126
10.4.2 YOLO v4目標檢測模型 127
10.4.3 YOLO v4網絡的弓網接觸區域檢測 129
10.4.4 基於堆疊沙漏網絡的弓網接觸點檢測 133
10.4.5 堆疊沙漏網絡的弓網關鍵點檢測模型 134
10.5 實驗結果分析 135
10.5.1 YOLO v4網絡的弓網接觸區域檢測結果 135
10.5.2 關鍵點檢測網絡模型檢測結果與分析 137
本章小結 140
參考文獻 140
第11章車站客流安全智能監控 142
11.1 研究背景意義 142
11.2 項目研究目標 144
11.3 主要研究內容 144
11.4 項目研究方法 144
11.4.1 背景差分處理圖像 144
11.4.2 背景圖像模型 145
11.4.3 旅客前景目標檢測算法 146
11.4.4 運動目標追蹤算法 148
11.4.5 車站客流安全指標分析 149
11.5 實驗結果分析 152
11.5.1 旅客檢測追蹤算法結果 152
11.5.2 客流量安全狀態預警結果 154
本章小結 156
參考文獻 157
第12章高鐵牽引變電所絕緣子異常狀態識別 159
12.1 研究背景意義 159
12.2 項目研究目標 161
12.3 主要研究內容 161
12.4 項目研究方法 162
12.4.1 深度學習的基本原理 162
12.4.2 深度學習在絕緣子圖像中的應用 165
12.4.3 絕緣子檢測算法 166
12.4.4 絕緣子檢測評價指標 170
12.4.5 絕緣子故障識別評價指標 171
12.5 實驗結果分析 172
12.5.1 絕緣子檢測結果分析 172
12.5.2 絕緣子故障識別結果分析 174
本章小結 176
參考文獻 176
第13章高速列車接觸網狀態巡檢 178
13.1 研究背景意義 178
13.2 項目研究目標 180
13.3 主要研究內容 180
13.4 項目研究方法 181
13.4.1 支持向量數據描述算法 182
13.4.2 卷積神經網絡法 183
13.4.3 基於改進Lenet-5的特征遷移學習法 185
13.4.4 接觸網圖像異常檢測的網絡結構設計 187
13.4.5 特征提取及可視化 190
13.5 實驗結果分析 192
本章小結 196
參考文獻 197
應用實例篇:其他領域 199
第14章基於人臉識別的智能窗簾 200
14.1 研究背景意義 200
14.2 項目研究目標 200
14.3 主要研究內容 201
14.4 項目研究方法 201
14.4.1 主程序設計 201
14.4.2 人臉檢測設計 201
14.4.3 表情識別設計 203
14.4.4 電機控制設計 204
14.5 實驗結果與分析 205
14.5.1 實驗繫統組裝 206
14.5.2 繫統初始化 206
14.5.3 關閉窗簾演示 207
14.5.4 打開窗簾演示 207
本章小結 208
參考文獻 208
第15章基於機器視覺的茶葉嫩芽識別方法 209
15.1 研究背景意義 209
15.2 項目研究目標 210
15.3 項目研究方法 210
15.3.1 YOLO v3目標識別原理 210
15.3.2 基於YOLO的茶葉識別模型建立 212
15.4 實驗結果與分析 213
本章小結 216
參考文獻 216
第16章基於機器視覺的車牌識別繫統 218
16.1 研究背景意義 218
16.2 項目研究目標 219
16.3 主要研究內容 219
16.4 項目研究方法 219
16.4.1 基本硬件設計 220
16.4.2 基於R-CNN的物體定位 222
16.4.3 基於SSD的物體定位 223
16.4.4 基於Hough變換的車牌校正 223
16.4.5 基於YOLO v2的車牌檢測 224
16.5 實驗結果分析 226
本章小結 233
參考文獻 234
展望篇 235
第17章機器視覺的發展展望 236
17.1 面臨的挑戰與解決方案 237
17.2 未來技術發展趨勢 238
17.3 未來市場發展前景 241
本章小結 247
參考文獻 247
"