第1章 數(shù)字圖像處理概述
1.1 數(shù)字圖像
1.2 數(shù)字圖像處理
1.3 工業(yè)數(shù)字圖像
1.4 圖像的數(shù)字化
1.4.1 顏色及顏色空間
1.4.2 圖像的采樣
1.4.3 圖像的量化
1.4.4 圖像的編碼
1.4.5 數(shù)字圖像的存儲(chǔ)空間
1.5 機(jī)器視覺系統(tǒng)
1.5.1 機(jī)器視覺系統(tǒng)概述
1.5.2 光源
1.5.3 相機(jī)
1.5.4 圖像采集卡
1.5.5 工業(yè)視覺處理機(jī)
1.6 機(jī)器視覺系統(tǒng)的典型案例
1.6.1 鋼鐵生產(chǎn)過程的鋼板號(hào)智能識(shí)別系統(tǒng)
1.6.2 焊接缺陷智能識(shí)別及輔助評(píng)片系統(tǒng)
1.6.3 機(jī)械設(shè)備磨粒圖譜智能識(shí)別系統(tǒng)
1.6.4 鋼包掛鉤安全檢測(cè)系統(tǒng)
1.7 機(jī)器視覺系統(tǒng)的開發(fā)流程
本章小結(jié)
習(xí)題
第2章 基于傳統(tǒng)方法的數(shù)字圖像處理
2.1 數(shù)字圖像中像素間的空間關(guān)系
2.1.1 像素的鄰域
2.1.2 像素間的鄰接關(guān)系
2.1.3 通路
2.2 數(shù)字圖像中像素的基本運(yùn)算
2.2.1 線性點(diǎn)運(yùn)算
2.2.2 算術(shù)運(yùn)算
2.2.3 邏輯運(yùn)算
2.2.4 直方圖均勻化
2.3 圖像濾波
2.3.1 均值濾波
2.3.2 高斯加權(quán)均值濾波
2.3.3 中值濾波
2.3.4 雙邊濾波
2.3.5 頻域?yàn)V波
2.4 邊緣檢測(cè)
2.4.1 梯度原理
2.4.2 Roberts算子
2.4.3 Sobel算子
2.4.4 Prewitt算子
2.4.5 拉普拉斯算子
2.4.6 Canny算子
2.5 圖像分割
2.5.1 閾值分割
2.5.2 最大類間方差法
2.5.3 區(qū)域生長算法
2.5.4 分水嶺算法
2.5.5 聚類算法
2.5.6 圖割算法
2.6 圖像的形態(tài)學(xué)處理方法
2.6.1 腐蝕
2.6.2 膨脹
2.6.3 開閉運(yùn)算
2.7 圖像的紋理特征
2.7.1 圖像的統(tǒng)計(jì)矩
2.7.2 灰度共生矩陣
2.7.3 LBP
2.7.4 分形維數(shù)
2.8 圖像處理的簡單應(yīng)用
2.8.1 基于模板匹配的目標(biāo)檢測(cè)
2.8.2 霍夫檢測(cè)
2.8.3 特征檢測(cè)
2.9 金相組織分析
本章小結(jié)
習(xí)題
第3章 基于深度學(xué)習(xí)的數(shù)字圖像處理
3.1 人工智能與機(jī)器學(xué)習(xí)
3.1.1 人工智能概述
3.1.2 機(jī)器學(xué)習(xí)概述
3.2 深度學(xué)習(xí)的基本概念
3.2.1 深度學(xué)習(xí)概述
3.2.2 深度學(xué)習(xí)的損失函數(shù)
3.2.3 深度學(xué)習(xí)的評(píng)價(jià)指標(biāo)
3.2.4 深度學(xué)習(xí)模型開發(fā)的一般過程
3.3 普通神經(jīng)網(wǎng)絡(luò)
3.3.1 人工神經(jīng)元
3.3.2 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
3.3.3 激活函數(shù)
3.3.4 BP算法
3.4 深度卷積神經(jīng)網(wǎng)絡(luò)
3.4.1 卷積
3.4.2 層間連接
3.4.3 池化
3.4.4 全連接
3.4.5 Dropout
3.4.6 批量歸一化
3.4.7 深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法
3.5 經(jīng)典的深度卷積神經(jīng)網(wǎng)絡(luò)
3.5.1 LeNet5
3.5.2 VGG16
3.6 深度卷積神經(jīng)網(wǎng)絡(luò)中的新技術(shù)
3.6.1 Inception模塊
3.6.2 視覺注意力模塊
本章小結(jié)
習(xí)題
第4章 工業(yè)字符智能識(shí)別
4.1 鋼鐵生產(chǎn)過程中的工業(yè)字符
4.2 鋼鐵生產(chǎn)過程中工業(yè)字符識(shí)別的難點(diǎn)
4.3 基于傳統(tǒng)圖像處理的字符識(shí)別
4.4 基于深度學(xué)習(xí)的工業(yè)字符識(shí)別
4.4.1 目標(biāo)檢測(cè)網(wǎng)絡(luò)
4.4.2 R-CNN網(wǎng)絡(luò)
4.4.3 Fast R-CNN
4.4.4 Faster R-CNN
4.4.5 基于Faster R-CNN進(jìn)行工業(yè)字符識(shí)別
本章小結(jié)
習(xí)題
第5章 磨粒圖譜識(shí)別與分割
5.1 鐵譜分析技術(shù)
5.2 設(shè)備磨損機(jī)理
5.3 磨粒圖譜
5.3.1 正常磨粒
5.3.2 切削磨粒
5.3.3 球狀磨粒
5.3.4 嚴(yán)重滑動(dòng)磨粒
5.3.5 疲勞磨粒
5.3.6 銅合金磨粒
5.3.7 黑色氧化物磨粒
5.3.8 紅色氧化物磨粒
5.4 基于傳統(tǒng)圖像處理的磨粒特征計(jì)算
5.4.1 磨粒的顏色特征
5.4.2 磨粒的形狀特征
5.4.3 磨粒的紋理特征
5.4.4 磨粒特征計(jì)算示例
5.5 基于深度卷積神經(jīng)網(wǎng)絡(luò)的磨粒圖譜識(shí)別
5.5.1 磨粒圖譜標(biāo)注
5.5.2 特征提取網(wǎng)絡(luò)
5.5.3 非極大值抑制
5.5.4 基于深度卷積神經(jīng)網(wǎng)絡(luò)的磨粒圖譜識(shí)別實(shí)驗(yàn)結(jié)果展示
5.5.5 基于GrabCut的磨粒分割
本章小結(jié)
習(xí)題
第6章 射線檢測(cè)的焊縫缺陷識(shí)別
6.1 射線檢測(cè)技術(shù)
6.1.1 射線檢測(cè)設(shè)備
6.1.2 射線檢測(cè)方法
6.2 射線檢測(cè)缺陷成像
6.2.1 膠片成像
6.2.2 數(shù)字成像
6.3 焊縫缺陷圖譜
6.3.1 裂紋
6.3.2 未熔合
6.3.3 未焊透
6.3.4 條形缺陷
6.3.5 氣孔缺陷
6.4 焊縫缺陷識(shí)別的困難及應(yīng)對(duì)策略
6.4.1 底片透過亮度較小
6.4.2 缺陷尺寸較小
6.4.3 目標(biāo)邊緣模糊
6.4.4 噪聲干擾嚴(yán)重
6.4.5 影像變形較大
6.4.6 面積型缺陷成像差異較大
6.4.7 重疊缺陷的影像變化復(fù)雜
6.4.8 綜合應(yīng)對(duì)策略
6.5 基于深度學(xué)習(xí)的焊縫缺陷識(shí)別
6.5.1 特征金字塔網(wǎng)絡(luò)
6.5.2 數(shù)據(jù)