数字图像处理与深度学习

第1章数字图像处理概述/1
1.1数字图像1
1.2数字图像处理2
1.3工业数字图像4
1.4图像的数字化6
1.4.1颜色及颜色空间7
1.4.2图像的采样15
1.4.3图像的量化15
1.4.4图像的编码16
1.4.5数字图像的存储空间17
1.5机器视觉系统18
1.5.1机器视觉系统概述18
1.5.2光源19
1.5.3相机23
1.5.4图像采集卡25
1.5.5工业视觉处理机26
1.6机器视觉系统的典型案例26
1.6.1钢铁生产过程的钢板号智能识别系统27
1.6.2焊接缺陷智能识别及辅助评片系统27
1.6.3机械设备磨粒图谱智能识别系统27
1.6.4钢包挂钩安全检测系统29
1.7机器视觉系统的开发流程29
本章小结30
习题30
第2章基于传统方法的数字图像处理/32
2.1数字图像中像素间的空间关系32
2.1.1像素的邻域32
2.1.2像素间的邻接关系33
2.1.3通路34〖1〗数字图像处理与深度学习目录〖3〗〖3〗2.2数字图像中像素的基本运算34
2.2.1线性点运算34
2.2.2算术运算36
2.2.3逻辑运算39
2.2.4直方图均匀化40
2.3图像滤波45
2.3.1均值滤波46
2.3.2高斯加权均值滤波47
2.3.3中值滤波48
2.3.4双边滤波49
2.3.5频域滤波50
2.4边缘检测53
2.4.1梯度原理54
2.4.2Roberts算子55
2.4.3Sobel算子56
2.4.4Prewitt算子57
2.4.5拉普拉斯算子58
2.4.6Canny算子59
2.5图像分割63
2.5.1阈值分割63
2.5.2*大类间方差法65
2.5.3区域生长算法67
2.5.4分水岭算法68
2.5.5聚类算法70
2.5.6图割算法71
2.6图像的形态学处理方法73
2.6.1腐蚀74
2.6.2膨胀74
2.6.3开闭运算76
2.7图像的纹理特征79
2.7.1图像的统计矩80
2.7.2灰度共生矩阵81
2.7.3LBP85
2.7.4分形维数90
2.8图像处理的简单应用91
2.8.1基于模板匹配的目标检测91
2.8.2霍夫检测93
2.8.3特征检测97
2.9金相组织分析101
本章小结104
习题105
第3章基于深度学习的数字图像处理/109
3.1人工智能与机器学习109
3.1.1人工智能概述109
3.1.2机器学习概述110
3.2深度学习的基本概念111
3.2.1深度学习概述111
3.2.2深度学习的损失函数113
3.2.3深度学习的评价指标115
3.2.4深度学习模型开发的一般过程117
3.3普通神经网络120
3.3.1人工神经元121
3.3.2神经网络的拓扑结构121
3.3.3激活函数122
3.3.4BP算法124
3.4深度卷积神经网络128
3.4.1卷积129
3.4.2层间连接133
3.4.3池化134
3.4.4全连接135
3.4.5Dropout136
3.4.6批量归一化136
3.4.7深度卷积神经网络的参数优化方法136
3.5经典的深度卷积神经网络140
3.5.1LeNet5140
3.5.2VGG16141
3.6深度卷积神经网络中的新技术143
3.6.1Inception模块143
3.6.2视觉注意力模块144
本章小结146
习题147
第4章工业字符智能识别/151
4.1钢铁生产过程中的工业字符151
4.2钢铁生产过程中工业字符识别的难点153
4.3基于传统图像处理的字符识别154
4.4基于深度学习的工业字符识别156
4.4.1目标检测网络156
4.4.2RCNN网络156
4.4.3Fast RCNN158
4.4.4Faster RCNN159
4.4.5基于Faster RCNN进行工业字符识别160
本章小结163
习题163
第5章磨粒图谱识别与分割/165
5.1铁谱分析技术165
5.2设备磨损机理167
5.3磨粒图谱168
5.3.1正常磨粒168
5.3.2切削磨粒168
5.3.3球状磨粒169
5.3.4严重滑动磨粒169
5.3.5疲劳磨粒169
5.3.6铜合金磨粒170
5.3.7黑色氧化物磨粒171
5.3.8红色氧化物磨粒171
5.4基于传统图像处理的磨粒特征计算171
5.4.1磨粒的颜色特征172
5.4.2磨粒的形状特征172
5.4.3磨粒的纹理特征173
5.4.4磨粒特征计算示例173
5.5基于深度卷积神经网络的磨粒图谱识别179
5.5.1磨粒图谱标注179
5.5.2特征提取网络180
5.5.3非极大值抑制181
5.5.4基于深度卷积神经网络的磨粒图谱识别实验结果展示181
5.5.5基于GrabCut的磨粒分割181
本章小结183
习题184
第6章射线检测的焊缝缺陷识别/186
6.1射线检测技术186
6.1.1射线检测设备186
6.1.2射线检测方法186
6.2射线检测缺陷成像187
6.2.1胶片成像187
6.2.2数字成像188
6.3焊缝缺陷图谱189
6.3.1裂纹190
6.3.2未熔合190
6.3.3未焊透190
6.3.4条形缺陷191
6.3.5气孔缺陷 191
6.4焊缝缺陷识别的困难及应对策略191
6.4.1底片透过亮度较小192
6.4.2缺陷尺寸较小192
6.4.3目标边缘模糊192
6.4.4噪声干扰严重193
6.4.5影像变形较大193
6.4.6面积型缺陷成像差异较大194
6.4.7重叠缺陷的影像变化复杂194
6.4.8综合应对策略195
6.5基于深度学习的焊缝缺陷识别195
6.5.1特征金字塔网络195
6.5.2数据扩增方法196
6.5.3基于深度学习的焊缝缺陷识别实验结果展示197
6.5.4前端界面199
本章小结200
习题200
第7章嵌入式机器视觉系统开发/202
7.1边缘计算202
7.2嵌入式机器视觉开发板203
7.2.1EAIDK系列开发板203
7.2.2Atlas开发板204
7.2.3Jetson开发板205
7.3MobileNet205
7.3.1深度可分离卷积206
7.3.2通道因子与分辨率因子208
7.4SSD算法209
7.5嵌入式机器视觉系统开发的过程210
7.5.1数据收集210
7.5.2数据标注211
7.5.3模型训练213
7.5.4模型转换214
7.5.5模型部署215
本章小结216
习题216
第8章工业数字图像处理相关工具和平台/218
8.1OpenCV218
8.1.1OpenCV简介218
8.1.2OpenCV代码实例219
8.2PyTorch222
8.2.1数据223
8.2.2数据操作224
8.2.3梯度计算225
8.2.4图像卷积226
8.2.5基于LeNet5网络实现对磨粒图谱分类227
8.3MindSpore238
本章小结240
习题240
附录实验/242
实验1: 基于传统图像处理方法的边缘检测242
实验2: 基于传统图像处理方法的图像分割242
实验3: 基于深度学习的图像分类243
实验4: 基于深度学习的目标检测243
参考文献/245