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)字圖像的存儲空間
1.5 機器視覺系統(tǒng)
1.5.1 機器視覺系統(tǒng)概述
1.5.2 光源
1.5.3 相機
1.5.4 圖像采集卡
1.5.5 工業(yè)視覺處理機
1.6 機器視覺系統(tǒng)的典型案例
1.6.1 鋼鐵生產過程的鋼板號智能識別系統(tǒng)
1.6.2 焊接缺陷智能識別及輔助評片系統(tǒng)
1.6.3 機械設備磨粒圖譜智能識別系統(tǒng)
1.6.4 鋼包掛鉤安全檢測系統(tǒng)
1.7 機器視覺系統(tǒng)的開發(fā)流程
本章小結
習題
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系
2.1.1 像素的鄰域
2.1.2 像素間的鄰接關系
2.1.3 通路
2.2 數(shù)字圖像中像素的基本運算
2.2.1 線性點運算
2.2.2 算術運算
2.2.3 邏輯運算
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 高斯加權均值濾波
2.3.3 中值濾波
2.3.4 雙邊濾波
2.3.5 頻域濾波
2.4 邊緣檢測
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)學處理方法
2.6.1 腐蝕
2.6.2 膨脹
2.6.3 開閉運算
2.7 圖像的紋理特征
2.7.1 圖像的統(tǒng)計矩
2.7.2 灰度共生矩陣
2.7.3 LBP
2.7.4 分形維數(shù)
2.8 圖像處理的簡單應用
2.8.1 基于模板匹配的目標檢測
2.8.2 霍夫檢測
2.8.3 特征檢測
2.9 金相組織分析
本章小結
習題
第3章 基于深度學習的數(shù)字圖像處理
3.1 人工智能與機器學習
3.1.1 人工智能概述
3.1.2 機器學習概述
3.2 深度學習的基本概念
3.2.1 深度學習概述
3.2.2 深度學習的損失函數(shù)
3.2.3 深度學習的評價指標
3.2.4 深度學習模型開發(fā)的一般過程
3.3 普通神經網絡
3.3.1 人工神經元
3.3.2 神經網絡的拓撲結構
3.3.3 激活函數(shù)
3.3.4 BP算法
3.4 深度卷積神經網絡
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 深度卷積神經網絡的參數(shù)優(yōu)化方法
3.5 經典的深度卷積神經網絡
3.5.1 LeNet5
3.5.2 VGG16
3.6 深度卷積神經網絡中的新技術
3.6.1 Inception模塊
3.6.2 視覺注意力模塊
本章小結
習題
第4章 工業(yè)字符智能識別
4.1 鋼鐵生產過程中的工業(yè)字符
4.2 鋼鐵生產過程中工業(yè)字符識別的難點
4.3 基于傳統(tǒng)圖像處理的字符識別
4.4 基于深度學習的工業(yè)字符識別
4.4.1 目標檢測網絡
4.4.2 R-CNN網絡
4.4.3 Fast R-CNN
4.4.4 Faster R-CNN
4.4.5 基于Faster R-CNN進行工業(yè)字符識別
本章小結
習題
第5章 磨粒圖譜識別與分割
5.1 鐵譜分析技術
5.2 設備磨損機理
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 嚴重滑動磨粒
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 磨粒特征計算示例
5.5 基于深度卷積神經網絡的磨粒圖譜識別
5.5.1 磨粒圖譜標注
5.5.2 特征提取網絡
5.5.3 非極大值抑制
5.5.4 基于深度卷積神經網絡的磨粒圖譜識別實驗結果展示
5.5.5 基于GrabCut的磨粒分割
本章小結
習題
第6章 射線檢測的焊縫缺陷識別
6.1 射線檢測技術
6.1.1 射線檢測設備
6.1.2 射線檢測方法
6.2 射線檢測缺陷成像
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 焊縫缺陷識別的困難及應對策略
6.4.1 底片透過亮度較小
6.4.2 缺陷尺寸較小
6.4.3 目標邊緣模糊
6.4.4 噪聲干擾嚴重
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雜
6.4.8 綜合應對策略
6.5 基于深度學習的焊縫缺陷識別
6.5.1 特征金字塔網絡
6.5.2 數(shù)據