機器視覺：原理與經(jīng)典案例詳解

基礎(chǔ)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(fā)展歷史 004
1.3 機器視覺的發(fā)展研究現(xiàn)狀 005
1.3.1 國外機器視覺現(xiàn)狀 005
1.3.2 國內(nèi)機器視覺現(xiàn)狀 005
本章小結(jié) 007
參考文獻 007

第2章　機器視覺系統(tǒng)組成單元及應(yīng)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(jié) 014
參考文獻 014

第3章　機器視覺系統(tǒng)與平臺 015
3.1 機器視覺系統(tǒng) 015
3.1.1 一維機器視覺系統(tǒng) 015
3.1.2 二維機器視覺系統(tǒng) 016
3.1.3 三維機器視覺系統(tǒng) 017
3.2 機器視覺平臺 019
3.2.1 基于PC的視覺系統(tǒng) 019
3.2.2 視覺控制器 019
3.2.3 獨立視覺系統(tǒng) 019
3.2.4 視覺傳感器和基于圖像的條形碼閱讀器 020
3.2.5 嵌入式視覺系統(tǒng) 020
3.2.6 基于GPU的視覺系統(tǒng) 020
本章小結(jié) 021
參考文獻 021

應(yīng)用實例篇：工業(yè) 023
第4章　Delta并聯(lián)機器人機器視覺動態(tài)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(nèi)容 029
4.4 項目研究方法 030
4.4.1 基于灰色關(guān)聯(lián)度的邊緣檢測算法 030
4.4.2 基于邊緣梯度的模板匹配算法 032
4.4.3 攝像頭及Delta機器人系統(tǒng)標定 033
4.4.4 多Delta機器人系統(tǒng)協(xié)同分揀策略 033
4.5 實驗結(jié)果分析 036
本章小結(jié) 038
參考文獻 039

第5章　3-PPR平面并聯(lián)機構(gòu)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(nèi)容 046
5.4 項目研究方法 047
5.4.1 并聯(lián)平臺的結(jié)構(gòu)與原理 047
5.4.2 機器視覺伺服對位系統(tǒng) 048
5.5 實驗結(jié)果分析 051
本章小結(jié) 053
參考文獻 054

第6章　關(guān)節(jié)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(nèi)容 061
6.4 項目研究方法 062
6.4.1 基于遷移學習的卷積神經(jīng)網(wǎng)絡(luò) 062
6.4.2 基于深度學習的3D物體識別及抓取區(qū)域檢測 063
6.4.3 基于深度強化學習的C空間路徑規(guī)劃與避障 066
6.5 實驗結(jié)果分析 069
本章小結(jié) 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(nèi)容 084
7.4 項目研究方法 084
7.4.1 基于Hough變換的工件區(qū)域提取算法 084
7.4.2 基于圖像處理的表面缺陷檢測算法 086
7.4.3 基于深度學習的表面缺陷檢測算法 086
7.5 實驗結(jié)果分析 089
7.5.1 基于圖像處理的檢測算法的實驗結(jié)果分析 089
7.5.2 基于深度學習的檢測算法的實驗結(jié)果分析 090
本章小結(jié) 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(nèi)容 098
8.4 項目研究方法 099
8.4.1 照明技術(shù)研究 099
8.4.2 工業(yè)鏡頭 101
8.4.3 系統(tǒng)硬件組成 102
8.4.4 檢測算法 103
8.5 實驗結(jié)果分析 107
本章小結(jié) 107
參考文獻 107

應(yīng)用實例篇：交通 109
第9章　鐵路貨車超限監(jiān)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(nèi)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(jié)果分析 114
本章小結(jié) 119
參考文獻 119

第10章　高速列車弓網(wǎng)異常狀態(tài)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(nèi)容 125
10.4 項目研究方法 125
10.4.1 YOLO網(wǎng)絡(luò)模型 126
10.4.2 YOLO v4目標檢測模型 127
10.4.3 YOLO v4網(wǎng)絡(luò)的弓網(wǎng)接觸區(qū)域檢測 129
10.4.4 基于堆疊沙漏網(wǎng)絡(luò)的弓網(wǎng)接觸點檢測 133
10.4.5 堆疊沙漏網(wǎng)絡(luò)的弓網(wǎng)關(guān)鍵點檢測模型 134
10.5 實驗結(jié)果分析 135
10.5.1 YOLO v4網(wǎng)絡(luò)的弓網(wǎng)接觸區(qū)域檢測結(jié)果 135
10.5.2 關(guān)鍵點檢測網(wǎng)絡(luò)模型檢測結(jié)果與分析 137
本章小結(jié) 140
參考文獻 140

第11章　車站客流安全智能監(jiān)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(nèi)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(jié)果分析 152
11.5.1 旅客檢測追蹤算法結(jié)果 152
11.5.2 客流量安全狀態(tài)預警結(jié)果 154
本章小結(jié) 156
參考文獻 157

第12章　高鐵牽引變電所絕緣子異常狀態(tài)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(nèi)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(yīng)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(jié)果分析 172
12.5.1 絕緣子檢測結(jié)果分析 172
12.5.2 絕緣子故障識別結(jié)果分析 174
本章小結(jié) 176
參考文獻 176

第13章　高速列車接觸網(wǎng)狀態(tài)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(nèi)容 180
13.4 項目研究方法 181
13.4.1 支持向量數(shù)據(jù)描述算法 182
13.4.2 卷積神經(jīng)網(wǎng)絡(luò)法 183
13.4.3 基于改進Lenet-5的特征遷移學習法 185
13.4.4 接觸網(wǎng)圖像異常檢測的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 187
13.4.5 特征提取及可視化 190
13.5 實驗結(jié)果分析 192
本章小結(jié) 196
參考文獻 197

應(yīng)用實例篇：其他領(lǐng)域 199
第14章　基于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(nèi)容 201
14.4 項目研究方法 201
14.4.1 主程序設(shè)計 201
14.4.2 人臉檢測設(shè)計 201
14.4.3 表情識別設(shè)計 203
14.4.4 電機控制設(shè)計 204
14.5 實驗結(jié)果與分析 205
14.5.1 實驗系統(tǒng)組裝 206
14.5.2 系統(tǒng)初始化 206
14.5.3 關(guān)閉窗簾演示 207
14.5.4 打開窗簾演示 207
本章小結(jié) 208
參考文獻 208

第15章　基于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 基于YOLO的茶葉識別模型建立 212
15.4 實驗結(jié)果與分析 213
本章小結(jié) 216
參考文獻 216

第16章　基于機器視覺的車牌識別系統(tǒng) 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(nèi)容 219
16.4 項目研究方法 219
16.4.1 基本硬件設(shè)計 220
16.4.2 基于R-CNN的物體定位 222
16.4.3 基于SSD的物體定位 223
16.4.4 基于Hough變換的車牌校正 223
16.4.5 基于YOLO v2的車牌檢測 224
16.5 實驗結(jié)果分析 226
本章小結(jié) 233
參考文獻 234

展望篇 235
第17章　機器視覺的發(fā)展展望 236
17.1 面臨的挑戰(zhàn)與解決方案 237
17.2 未來技術(shù)發(fā)展趨勢 238
17.3 未來市場發(fā)展前景 241
本章小結(jié) 247
參考文獻 247