第1章 機(jī)器視覺概述 001 1.1 機(jī)器視覺的概念 002 1.2 機(jī)器視覺的研究與應(yīng)用現(xiàn)狀 004 1.3 機(jī)器視覺的發(fā)展趨勢 005 第2章 機(jī)器視覺系統(tǒng)硬件總體設(shè)計 006 2.1 機(jī)器視覺系統(tǒng)成像模型 007 2.1.1 重合模型 007 2.1.2 分離模型 011 2.2 機(jī)器視覺系統(tǒng)成像參數(shù)設(shè)計 014 2.3 機(jī)器視覺系統(tǒng)硬件組成 016 2.3.1 照明設(shè)備 017 2.3.2 鏡頭 018 2.3.3 圖像傳感器 018 2.3.4 通信模塊 019 2.4 機(jī)器視覺系統(tǒng)分類及選用 019 2.4.1 一維機(jī)器視覺系統(tǒng) 019 2.4.2 二維機(jī)器視覺系統(tǒng) 019 2.4.3 三維機(jī)器視覺系統(tǒng) 020 第3章 機(jī)器視覺系統(tǒng)光源的選用 022 3.1 光源的作用、分類和照明方式 023 3.1.1 光源的作用 023 3.1.2 光源的分類 024 3.1.3 光源的照明方式 032 3.2 常見的機(jī)器視覺光源及適用條件 034 3.2.1 點(diǎn)光源 034 3.2.2 線光源 035 3.2.3 AOI 光源 037 3.2.4 局部可調(diào)光源 038 3.2.5 低角度光源 039 3.2.6 多角度光源 040 3.2.7 結(jié)構(gòu)光源 041 3.3 機(jī)器視覺系統(tǒng)光源的選用原則 042 3.4 機(jī)器視覺光源控制器的選用 043 第4章 機(jī)器視覺系統(tǒng)相機(jī)的選型 045 4.1 機(jī)器視覺系統(tǒng)相機(jī)的作用、分類和參數(shù) 046 4.1.1 相機(jī)的作用 046 4.1.2 相機(jī)的分類 046 4.1.3 相機(jī)的參數(shù) 048 4.2 機(jī)器視覺系統(tǒng)相機(jī)的選型方法 052 第5章 機(jī)器視覺系統(tǒng)鏡頭的選型 055 5.1 機(jī)器視覺系統(tǒng)鏡頭的作用、分類和參數(shù) 056 5.1.1 鏡頭的作用 056 5.1.2 鏡頭的分類 057 5.1.3 鏡頭的參數(shù) 063 5.2 機(jī)器視覺系統(tǒng)鏡頭的選型方法 070 5.3 機(jī)器視覺系統(tǒng)鏡頭的配件及選用 073 第6章 機(jī)器視覺系統(tǒng)預(yù)處理算法 077 6.1 相機(jī)標(biāo)定與手眼標(biāo)定算法 078 6.1.1 相機(jī)標(biāo)定基礎(chǔ) 078 6.1.2 相機(jī)標(biāo)定方法 079 6.1.3 手眼標(biāo)定方法 084 6.2 機(jī)器視覺系統(tǒng)的成像失真校正算法 086 6.2.1 幾何失真校正 086 6.2.2 應(yīng)用實(shí)例——圓柱曲面透視投影失真的圖像校正 089 6.3 機(jī)器視覺系統(tǒng)的圖像增強(qiáng)算法 095 6.3.1 灰度映射 095 6.3.2 直方圖修正 096 6.3.3 應(yīng)用實(shí)例——細(xì)節(jié)增強(qiáng)的多曝光圖像融合方法 099 第7章 傳統(tǒng)圖像處理目標(biāo)識別算法 104 7.1 特征點(diǎn)提取與匹配算法 105 7.1.1 斑點(diǎn)提取 105 7.1.2 角點(diǎn)提取 110 7.1.3 特征點(diǎn)匹配 112 7.2 邊緣特征提取算法 118 7.3 傳統(tǒng)圖像分割算法 121 7.3.1 閾值處理 121 7.3.2 區(qū)域分割法 122 7.3.3 形態(tài)學(xué)分水嶺分割法 124 7.3.4 使用聚類和超像素的區(qū)域分割 128 7.4 形狀檢測與識別算法 131 7.4.1 線段的檢測 131 7.4.2 圓形的檢測 133 7.4.3 矩形的檢測 134 第8章 深度學(xué)習(xí)目標(biāo)識別方法 138 8.1 深度學(xué)習(xí)目標(biāo)檢測 139 8.1.1 引言 139 8.1.2 深度學(xué)習(xí) 139 8.1.3 兩階段目標(biāo)檢測方法 145 8.1.4 單階段目標(biāo)檢測方法 148 8.2 語義分割與實(shí)例分割 151 8.2.1 語義分割 151 8.2.2 實(shí)例分割 157 8.3 改善深度學(xué)習(xí)識別效果的方法 160 8.3.1 數(shù)據(jù) 160 8.3.2 模型選擇 162 8.3.3 超參數(shù) 163 8.3.4 其他優(yōu)化方法 164 第9章 三維重建算法 167 9.1 雙目立體視覺 168 9.1.1 雙目視覺系統(tǒng) 168 9.1.2 視差 168 9.1.3 雙目系統(tǒng)測距基本原理 169 9.1.4 雙目系統(tǒng)的運(yùn)作流程 169 9.2 結(jié)構(gòu)光三維視覺 170 9.2.1 線結(jié)構(gòu)光三維重建 170 9.2.2 面結(jié)構(gòu)光三維重建 172 9.3 多聚焦三維重建 173 9.3.1 聚焦形貌恢復(fù) 173 9.3.2 離焦形貌恢復(fù) 179 第10章 面向公路養(yǎng)護(hù)的路面病害檢測應(yīng)用 181 10.1 應(yīng)用背景簡介 182 10.2 基于傳統(tǒng)圖像處理的路面病害檢測方法 182 10.2.1 基于邊緣檢測的病害檢測算法 183 10.2.2 基于閾值分割的病害檢測算法 185 10.2.3 基于區(qū)域生長的病害檢測算法 187 10.2.4 基于小波變換的病害檢測算法 188 10.2.5 應(yīng)用實(shí)例——基于車道區(qū)域及車道線區(qū)域提取的路面病害檢測算法 189 10.3 基于深度學(xué)習(xí)的路面病害檢測方法 197 10.3.1 基于目標(biāo)檢測的方法 197 10.3.2 基于語義分割的方法 198 10.3.3 應(yīng)用實(shí)例1——基于語義分割的路面病害檢測模型 199 10.3.4 應(yīng)用實(shí)例2——基于改進(jìn)YOLOv5的路面裂縫檢測方法 205 10.3.5 應(yīng)用實(shí)例3——采用多尺度特征增強(qiáng)的路面病害檢測模型 207 第11章 工廠人員作業(yè)規(guī)范智能監(jiān)控應(yīng)用 212 11.1 應(yīng)用背景簡介 213 11.2 作業(yè)區(qū)域人員穿戴規(guī)范識別 214 11.2.1 穿戴規(guī)范識別的技術(shù)原理 214 11.2.2 常用穿戴規(guī)范的識別方法 216 11.3 作業(yè)區(qū)域人員行為規(guī)范識別 216 11.3.1 行為規(guī)范識別的技術(shù)原理 216 11.3.2 應(yīng)用實(shí)例——基于ASW-YOLO 的香煙小目標(biāo)檢測算法 218 第12章 基于視覺的無人機(jī)沿道路中央自主飛行控制應(yīng)用 223 12.1 應(yīng)用背景簡介 224 12.2 基于視覺的無人機(jī)沿道路飛行橫向定位方法 225 12.2.1 路面區(qū)域識別方法 225 12.2.2 無人機(jī)橫向定位方法 228 12.3 無人機(jī)沿道路中央飛行控制 229 12.3.1 橫向與高度PID 控制 230 12.3.2 旋轉(zhuǎn)角度控制 231 12.3.3 航點(diǎn)飛行控制 233 參考文獻(xiàn) 235