机器视觉：原理与经典案例详解

基础理论篇 001
第1章　绪论 002
1.1 机器视觉的定义 002
1.2 机器视觉的发展历史 004
1.3 机器视觉的发展研究现状 005
1.3.1 国外机器视觉现状 005
1.3.2 国内机器视觉现状 005
本章小结 007
参考文献 007

第2章　机器视觉系统组成单元及应用 009
2.1 照明 010
2.2 镜头 011
2.3 图像传感器 012
2.4 视觉信息处理 012
2.5 通信模块 013
2.6 机器视觉软件 013
本章小结 014
参考文献 014

第3章　机器视觉系统与平台 015
3.1 机器视觉系统 015
3.1.1 一维机器视觉系统 015
3.1.2 二维机器视觉系统 016
3.1.3 三维机器视觉系统 017
3.2 机器视觉平台 019
3.2.1 基于PC的视觉系统 019
3.2.2 视觉控制器 019
3.2.3 独立视觉系统 019
3.2.4 视觉传感器和基于图像的条形码阅读器 020
3.2.5 嵌入式视觉系统 020
3.2.6 基于GPU的视觉系统 020
本章小结 021
参考文献 021

应用实例篇：工业 023
第4章　Delta并联机器人机器视觉动态分拣 024
4.1 研究背景意义 024
4.2 项目研究目标 028
4.3 主要研究内容 029
4.4 项目研究方法 030
4.4.1 基于灰色关联度的边缘检测算法 030
4.4.2 基于边缘梯度的模板匹配算法 032
4.4.3 摄像头及Delta机器人系统标定 033
4.4.4 多Delta机器人系统协同分拣策略 033
4.5 实验结果分析 036
本章小结 038
参考文献 039

第5章　3-PPR平面并联机构视觉伺服精密对位 041
5.1 研究背景意义 041
5.2 项目研究目标 046
5.3 主要研究内容 046
5.4 项目研究方法 047
5.4.1 并联平台的结构与原理 047
5.4.2 机器视觉伺服对位系统 048
5.5 实验结果分析 051
本章小结 053
参考文献 054

第6章　关节臂式机器人3D视觉智能抓取 056
6.1 研究背景意义 056
6.2 项目研究目标 061
6.3 主要研究内容 061
6.4 项目研究方法 062
6.4.1 基于迁移学习的卷积神经网络 062
6.4.2 基于深度学习的3D物体识别及抓取区域检测 063
6.4.3 基于深度强化学习的C空间路径规划与避障 066
6.5 实验结果分析 069
本章小结 074
参考文献 075

第7章　工件表面缺陷视觉检测 077
7.1 研究背景意义 077
7.2 项目研究目标 083
7.3 主要研究内容 084
7.4 项目研究方法 084
7.4.1 基于Hough变换的工件区域提取算法 084
7.4.2 基于图像处理的表面缺陷检测算法 086
7.4.3 基于深度学习的表面缺陷检测算法 086
7.5 实验结果分析 089
7.5.1 基于图像处理的检测算法的实验结果分析 089
7.5.2 基于深度学习的检测算法的实验结果分析 090
本章小结 091
参考文献 092

第8章　工件尺寸视觉测量 096
8.1 研究背景意义 096
8.2 项目研究目标 098
8.3 主要研究内容 098
8.4 项目研究方法 099
8.4.1 照明技术研究 099
8.4.2 工业镜头 101
8.4.3 系统硬件组成 102
8.4.4 检测算法 103
8.5 实验结果分析 107
本章小结 107
参考文献 107

应用实例篇：交通 109
第9章　铁路货车超限监测 110
9.1 研究背景意义 110
9.2 项目研究目标 111
9.3 主要研究内容 112
9.4 项目研究方法 112
9.4.1 边缘检测 112
9.4.2 阈值分割 113
9.5 实验结果分析 114
本章小结 119
参考文献 119

第10章　高速列车弓网异常状态检测 121
10.1 研究背景意义 121
10.2 项目研究目标 124
10.3 主要研究内容 125
10.4 项目研究方法 125
10.4.1 YOLO网络模型 126
10.4.2 YOLO v4目标检测模型 127
10.4.3 YOLO v4网络的弓网接触区域检测 129
10.4.4 基于堆叠沙漏网络的弓网接触点检测 133
10.4.5 堆叠沙漏网络的弓网关键点检测模型 134
10.5 实验结果分析 135
10.5.1 YOLO v4网络的弓网接触区域检测结果 135
10.5.2 关键点检测网络模型检测结果与分析 137
本章小结 140
参考文献 140

第11章　车站客流安全智能监控 142
11.1 研究背景意义 142
11.2 项目研究目标 144
11.3 主要研究内容 144
11.4 项目研究方法 144
11.4.1 背景差分处理图像 144
11.4.2 背景图像模型 145
11.4.3 旅客前景目标检测算法 146
11.4.4 运动目标追踪算法 148
11.4.5 车站客流安全指标分析 149
11.5 实验结果分析 152
11.5.1 旅客检测追踪算法结果 152
11.5.2 客流量安全状态预警结果 154
本章小结 156
参考文献 157

第12章　高铁牵引变电所绝缘子异常状态识别 159
12.1 研究背景意义 159
12.2 项目研究目标 161
12.3 主要研究内容 161
12.4 项目研究方法 162
12.4.1 深度学习的基本原理 162
12.4.2 深度学习在绝缘子图像中的应用 165
12.4.3 绝缘子检测算法 166
12.4.4 绝缘子检测评价指标 170
12.4.5 绝缘子故障识别评价指标 171
12.5 实验结果分析 172
12.5.1 绝缘子检测结果分析 172
12.5.2 绝缘子故障识别结果分析 174
本章小结 176
参考文献 176

第13章　高速列车接触网状态巡检 178
13.1 研究背景意义 178
13.2 项目研究目标 180
13.3 主要研究内容 180
13.4 项目研究方法 181
13.4.1 支持向量数据描述算法 182
13.4.2 卷积神经网络法 183
13.4.3 基于改进Lenet-5的特征迁移学习法 185
13.4.4 接触网图像异常检测的网络结构设计 187
13.4.5 特征提取及可视化 190
13.5 实验结果分析 192
本章小结 196
参考文献 197

应用实例篇：其他领域 199
第14章　基于人脸识别的智能窗帘 200
14.1 研究背景意义 200
14.2 项目研究目标 200
14.3 主要研究内容 201
14.4 项目研究方法 201
14.4.1 主程序设计 201
14.4.2 人脸检测设计 201
14.4.3 表情识别设计 203
14.4.4 电机控制设计 204
14.5 实验结果与分析 205
14.5.1 实验系统组装 206
14.5.2 系统初始化 206
14.5.3 关闭窗帘演示 207
14.5.4 打开窗帘演示 207
本章小结 208
参考文献 208

第15章　基于机器视觉的茶叶嫩芽识别方法 209
15.1 研究背景意义 209
15.2 项目研究目标 210
15.3 项目研究方法 210
15.3.1 YOLO v3目标识别原理 210
15.3.2 基于YOLO的茶叶识别模型建立 212
15.4 实验结果与分析 213
本章小结 216
参考文献 216

第16章　基于机器视觉的车牌识别系统 218
16.1 研究背景意义 218
16.2 项目研究目标 219
16.3 主要研究内容 219
16.4 项目研究方法 219
16.4.1 基本硬件设计 220
16.4.2 基于R-CNN的物体定位 222
16.4.3 基于SSD的物体定位 223
16.4.4 基于Hough变换的车牌校正 223
16.4.5 基于YOLO v2的车牌检测 224
16.5 实验结果分析 226
本章小结 233
参考文献 234

展望篇 235
第17章　机器视觉的发展展望 236
17.1 面临的挑战与解决方案 237
17.2 未来技术发展趋势 238
17.3 未来市场发展前景 241
本章小结 247
参考文献 247