幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度學習驅動的鋼鐵圖像處理技術與實踐

  • 作者：李維剛|責編:楊賽君
  • 出版社：華中科技大學
  • ISBN：9787577221236
  • 出版日期：2025/08/01
  • 裝幀：平裝
  • 頁數：230
人民幣：RMB 69.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
本書主要介紹了基於深度學習的圖像處理技術在鋼鐵行業中的應用及相關研究成果，列舉了小樣本、元學習、輕量化、知識蒸餾、半監督學習等前沿技術在鋼鐵缺陷分類、在線表面檢測、鋼材微觀組織量化分析等典型場景中的具體應用案例，具有較高的實用價值和借鑒意義。本書適合人工智慧、自動化以及鋼鐵冶金行業的工程技術人員和研究人員閱讀，也可作為相關專業的本科和研究生教材，併為致力於鋼鐵智能化生產的學者提供參考。此外，相關領域的管理者和高校師生也能從中深入了解基於深度學習的圖像處理研究的*新進展與應用前景。
作者介紹
李維剛|責編:楊賽君
目錄
緒論
    0.1  深度學習圖像處理方法的發展歷程
    0.2  核心技術架構與典型方法
    0.3  技術特性分析
    0.4  鋼鐵行業應用現狀
    0.5  當前挑戰
    0.6  未來研究方向
    0.7  本章小結
第1卷  基於深度學習的圖像分類方法及應用
  第1章  深度學習理論基礎
    1.1  卷積和深度可分離卷積
      1.1.1  卷積操作
      1.1.2  深度可分離卷積
      1.1.3  算力對比
    1.2  自注意力機制
    1.3  激活函數
      1.3.1  Sigmoid函數
      1.3.2  Tanh函數
      1.3.3  ReLU激活函數
    1.4  反向傳播
    1.5  正則化(約束
      1.5.1  Dropout
      1.5.2  提前終止
      1.5.3  范數懲罰
    1.6  正則化(數據增強
      1.6.1  Cutout
      1.6.2  Mixup
      1.6.3  Manifold Mixup
      1.6.4  CutMix
      1.6.5  PatchUp
    1.7  本章小結
  第2章  數據集及標注方法
    2.1  熱軋帶鋼表面圖像數據集
      2.1.1  數據規模及缺陷分佈
      2.1.2  智能演算法及數據標注
    2.2  NEU?DET數據集
      2.2.1  數據規模及缺陷分佈
      2.2.2  數據增強處理
    2.3  本章小結
  第3章  特徵提取
    3.1  基於CNN框架的模型：ResNet
      3.1.1  殘差理論
      3.1.2  模型架構
    3.2  基於Transformer框架的模型
      3.2.1  ViT：視覺Transformer
      3.2.2  Swin Transformer
      3.2.3  Poolformer模型結構
    3.3  本章小結
  第4章  模型壓縮
    4.1  輕量化

      4.1.1  基於ResNet模型的輕量化
      4.1.2  基於Poolformer模型的輕量化
    4.2  知識蒸餾
      4.2.1  基於教師?學生的蒸餾框架
      4.2.2  自蒸餾框架
    4.3  本章小結
  第5章  小樣本學習
    5.1  結合正則化的元偽標籤方法
    5.2  正則化方法
    5.3  元偽標籤
    5.4  元學習
    5.5  傳導性微調
    5.6  基於支持集樣本的初始化
    5.7  分類器微調
    5.8  本章小結
  第6章  提升魯棒性的網路訓練策略
    6.1  魯棒性訓練方法
      6.1.1  雜訊選擇
      6.1.2  雜訊數據集
      6.1.3  魯棒性優化演算法
    6.2  魯棒性實驗驗證
      6.2.1  輕量化殘差網路在不同雜訊下的網路性能對比
      6.2.2  基於知識蒸餾的魯棒性優化網路性能對比
      6.2.3  不同等級雜訊下的魯棒性評估
    6.3  本章小結
  第7章  鋼鐵圖像分類任務的應用實踐
    7.1  實戰1：基於深度學習的帶鋼表面缺陷分類
      7.1.1  實驗配置
      7.1.2  對比實驗
    7.2  實戰2：基於模型壓縮的帶鋼表面缺陷分類
      7.2.1  實驗配置
      7.2.2  對比實驗
      7.2.3  消融實驗
    7.3  實戰3：基於元偽標籤的帶鋼表面缺陷分類
      7.3.1  實驗配置
      7.3.2  對比實驗
      7.3.3  消融實驗
    7.4  實戰4：基於元學習的帶鋼表面缺陷分類
      7.4.1  實驗配置
      7.4.2  對比實驗
  第1卷參考文獻
第2卷  基於深度學習的圖像目標檢測方法及應用
  第8章  帶鋼表面缺陷檢測與目標檢測網路概述
    8.1  帶鋼表面缺陷檢測發展簡史
    8.2  基於深度學習的目標檢測網路框架概述
      8.2.1  兩階段目標檢測演算法
      8.2.2  一階段目標檢測演算法
    8.3  YOLO系列演算法在缺陷檢測中的適用性分析
    8.4  目標檢測網路框架淺析
      8.4.1  主幹網路

      8.4.2  頸部網路
      8.4.3  檢測頭
    8.5  本章小結
  第9章  YOLO目標檢測演算法原理
    9.1  YOLO系列演算法的發展歷程
    9.2  YOLO系列演算法的工作流程
      9.2.1  YOLO V1演算法
      9.2.2  YOLO V2演算法
      9.2.3  YOLO V3演算法
      9.2.4  YOLO V4演算法
      9.2.5  YOLO V5演算法
      9.2.6  其他YOLO演算法
    9.3  YOLO演算法的優缺點
      9.3.1  YOLO演算法的優點
      9.3.2  YOLO演算法的缺點
    9.4  本章小結
  第10章  YOLO目標檢測演算法改進方法
    10.1  改進的思路與方向
    10.2  加權K?means聚類理論
    10.3  網路結構的改進
      10.3.1  主幹網路
      10.3.2  多尺度特徵融合
      10.3.3  注意力機制
      10.3.4  檢測頭
    10.4  訓練模型的改進
      10.4.1  訓練策略
      10.4.2  推理加速
      10.4.3  后處理方法
    10.5  本章小結
  第11章鋼鐵圖像目標檢測的應用實踐
    11.1  實驗評價指標
    11.2  實戰1：基於改進YOLO V3的帶鋼表面缺陷檢測
      11.2.1  模型結構
      11.2.2  實驗環境與設置
      11.2.3  消融實驗
      11.2.4  對比實驗
    11.3  實戰2：基於改進YOLO V4的帶鋼表面缺陷檢測
      11.3.1  模型結構
      11.3.2  實驗環境與設置
      11.3.3  消融實驗
      11.3.4  對比實驗
    11.4  實戰3：基於改進YOLO V5的帶鋼表面缺陷檢測
      11.4.1  模型結構
      11.4.2  實驗環境與設置
      11.4.3  消融實驗
      11.4.4  對比實驗
    11.5  本章小結
  第2卷參考文獻
第3卷  基於深度學習的圖像語義分割方法及應用
  第12章  鋼材顯微組織語義分割概述

    12.1  研究背景和意義
    12.2  鋼材顯微組織語義分割研究現狀
    12.3  鋼材顯微組織語義分割面臨的挑戰
    12.4  本章小結
  第13章  全監督語義分割
    13.1  經典語義分割網路
      13.1.1  FCN
      13.1.2  U-Net
      13.1.3  DeepLab
    13.2  基於神經崩潰的困難樣本學習方法
      13.2.1  空洞空間金字塔池化全卷  積網路
      13.2.2  等角緊坐標系分類器
      13.2.3  困難樣本加權損失
    13.3  本章小結
  第14章  半監督語義分割
    14.1  半監督語義分割方法
    14.2  原型循環一致性學習方法
      14.2.1  基於注意力機制的特徵提取器
      14.2.2  基於超像素的圖卷  積網路
      14.2.3  原型循環一致性損失
      14.2.4  交叉偽監督損失
    14.3  本章小結
  第15章  弱監督語義分割
    15.1  弱監督語義分割方法
    15.2  像素對自監督和超像素原型對比方法
      15.2.1  生成類激活圖
      15.2.2  像素對自監督損失
      15.2.3  超像素原型對比損失
    15.3  本章小結
  第16章  鋼鐵圖像語義分割的應用實踐
    16.1  鋼材顯微組織數據集
      16.1.1  公共數據集
      16.1.2  自製數據集
    16.2  實驗評價指標
    16.3  實戰1：基於神經崩潰困難樣本學習的顯微組織全監督語義分割
      16.3.1  實驗配置
      16.3.2  實驗
    16.4  實戰2：基於原型循環一致性和交叉偽監督的顯微組織半監督語義分割
      16.4.1  實驗配置
      16.4.2  實驗
    16.5  實戰3：基於像素對自監督和超像素原型對比的顯微組織弱監督語義分割
      16.5.1  實驗配置
      16.5.2  實驗
    16.6  本章小結
  第3卷參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032