矿山计算机视觉

1 图像理论基础 1.1 图像技术的起源与发展 1.1.1 图像的 早起源——图画 1.1.2 图像第二阶段——传统摄影 1.1.3 图像新阶段——数字图像 1.2 图像原理 1.2.1 数字图像原理 1.2.2 数字图像的产生 1.2.3 图像的存储 1.3 硬件原理 1.3.1 相机 1.3.2 相机图像传感器感光原理 1.4 实验平台介绍 1.4.1 Python概述 1.4.2 OpenCV概述 1.4.3 开发环境搭建 1.5 小结 思考题 参考文献 2 传统图像工程 2.1 图像的特征与噪声 2.1.1 图像的特征类别 2.1.2 特征提取与特征空间 2.1.3 图像噪声 2.2 图像增强 2.2.1 图像增强的点运算 2.2.2 图像的空域平滑 2.2.3 图像的空域锐化 2.2.4 频域增强 2.3 特征提取 2.3.1 方向梯度直方图 2.3.2 尺度不变特征变换 2.3.3 加速稳健特征 2.3.4 全局特征提取 2.4 机器学习与图像工程 2.4.1 稀疏模型 2.4.2 线性分类模型 2.4.3 支持向量机 2.5 小结 思考题 参考文献 3 深度学习与计算机视觉 3.1 深度学习简介 3.1.1 什么是深度学习 3.1.2 机器学习与深度学习 3.1.3 深度学习的应用场景 3.2 深度学习基础理论 3.2.1 线性代数 3.2.2 微积分 3.2.3 概率 3.3 神经网络发展 3.3.1 神经元 3.3.2 线性神经网络 3.3.3 多层感知机 3.4 卷积神经网络的组成及相关技术 3.4.1 卷积层 3.4.2 池化层 3.4.3 全连接层 3.4.4 数据增强 3.4.5 损失函数 3.4.6 优化算法 3.4.7 欠拟合与过拟合 3.5 现代卷积神经网络模型 3.5.1 AlexNet 3.5.2 VGG 3.5.3 GoogLeNet 3.5.4 ResNet 3.5.5 DenseNet 3.5.6 EfficientNet 3.5.7 ConvNeXt 3.6 轻量化模型 3.6.1 .Xception 3.6.2 MobileNet V1 3.6.3 ShuffleNet V1 3.7 Transformer模型 3.7.1 注意力机制 3.7.2 Transformer 3.7.3 Vision Transformer 3.7.4 SwinTransforreeF 3.8 图像数据集 3.8.1 手写数字MNIST数据集 3.8.2 CIFAR-10数据集 3.8.3 ImageNet图像数据集 3.9 小结 思考题 参考文献 4 目标检测实战 4.1 目标检测技术 4.1.1 目标检测任务简介 4.1.2 目标检测的重要概念 4.1.3 目标检测评价指标 4.1.4 目标检测常用的开源数据集 4.2 传统目标检测阶段 4.2.1 Viola.Jones检测器 4.2.2 HOG检测器 4.2.3 基于可变形部件的模型 4.3 基于深度学习的目标检测阶段——两阶段算法 4.3.1 R-CNN 4.3.2 SPPNet 4.3.3 Fast R-CNN 4.3.4 Faster R-CNN 4.4 基于深度学习的目标检测阶段——单阶段算法 4.4.1 YOL0系列 4.4.2 SSD 4.4.3 CornerNet 4.4.4 CenterNet 4.5 基于YOLOv5的目标检测实战指南 4.5.1 准备工作 4.5.2 标记数据集 4.5.3 构建数据集 4.5.4 配置文件 4.5.5 训练模型 4.5.6 YOL0v5实现检测 4.6 小结 思考题 参考文献 5 语义分割实战 5.1 语义分割技术 5.1.1 语义分割任务简介 5.1.2 语义分割重要概念 5.1.3 语义分割评价指标 5.1.4 目前常用的语义分割开源数据集 5.2 语义分割的发展历史 5.2.1 传统图像分割方法 5.2.2 基于深度学习的图像分割方法 5.3 基于uNet的语义分割实战指南 5.3.1 项目背景 5.3.2 模型训练与测试 5.4 小结 思考题 参考文献 6 机器视觉的矿业应用 6.1 矿山开采工艺流程 6.1.1 矿山开发流程 6.1.2 采矿工艺流程 6.1.3 选矿工艺流程 6.2 主要应用场景 6.2.1 机器视觉解决的问题 6.2.2 机器视觉应用场景 6.3 案例分析 6.3.1 露天矿区道路障碍检测 6.3.2 露天矿边坡裂隙检测 6.3.3 矿石粒度分级 6.3.4 露天矿卡装载度检测 6.4 展望 6.5 小结 思考题 参考文献