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

視覺人工智慧基礎/人工智慧視覺檢測關鍵技術與行業應用叢書

  • 作者：編者:郟東耀|責編:陳?
  • 出版社：化學工業
  • ISBN：9787122498724
  • 出版日期：2026/05/01
  • 裝幀：平裝
  • 頁數：318
人民幣：RMB 128 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統介紹了人工智慧視覺檢測領域的基礎理論、關鍵技術與典型應用，內容涵蓋圖像採集原理、圖像與視頻處理方法、視覺檢測中的數學工具、圖像預處理技術，以及神經網路與深度學習模型在視覺檢測中的工程化應用。全書共八章，從底層成像機制到高層智能分類技術，再到實際行業應用，構建了完整的人工智慧視覺技術體系。
    本書內容由淺入深，循序漸進，重點介紹了電腦視覺在醫學圖像分析、工業產品質量檢測等場景中的落地應用，同時對多模態視覺、邊緣部署、遷移學習、視覺數據標注等前沿方向進行了系統性闡述。具體章節包括視覺檢測中的圖像採集技術、圖像與視頻處理工具、基礎數學方法、圖像預處理與增強、深度學習在視覺中的實現流程、數據標注與處理方法、主流神經網路模型及其在分類任務中的應用，以及視覺檢測在醫療、工業等多個領域的實踐案例。
    本書內容注重理論聯繫實際，在保持專業系統性的同時，輔以大量實例、工具推薦和關鍵技術解析，可作為從事人工智慧視覺檢測、圖像分析、工業視覺系統開發等領域工程技術人員的重要參考資料，也適合高等院校電腦、人工智慧、自動化、信息工程等專業師生教學使用。本書對相關研究人員、研發工程師以及有志從事視覺人工智慧工作的初學者具有較高的參考價值和實踐指導意義。
作者介紹
編者:郟東耀|責編:陳?
    郟東耀，北京交通大學教授、博士生導師，大數據與智慧測控研究中心主任。主要科研方向為數據科學與工程、視覺人工智慧、深度學習新理論及其應用，發表學術論文100余篇。曾主持或參與國家863計劃重大項目、國家自然科學基金重大項目、國家科技支撐計劃項目等。
目錄
第1章  視覺檢測中的圖像採集技術
  1.1  成像基本原理
    1.1.1  人類視覺系統
    1.1.2  小孔成像原理
    1.1.3  透鏡成像原理
    1.1.4  電腦視覺常用參數
    1.1.5  影響成像質量的因素
    1.1.6  常見儀器的光學成像原理
  1.2  圖像及視頻採集方法
  1.3  CMOS和CCD技術
    1.3.1  CMOS圖像技術
    1.3.2  CCD圖像技術
  1.4  光譜成像技術在視覺檢測中的應用
    1.4.1  高光譜成像
    1.4.2  高光譜和多光譜的區別
  1.5  其他先進的圖像採集方法
    1.5.1  X射線成像
    1.5.2  掃描電子顯微鏡
    1.5.3  全息投影技術
    1.5.4  核磁共振
    1.5.5  電腦斷層掃描
    1.5.6  超聲成像（Ultrasound Imaging）
  1.6  本章小結
第2章  視覺檢測中的圖像與視頻處理技術
  2.1  常用的視頻及圖像軟體
    2.1.1  ImageMagick：圖像處理領域的強大利器
    2.1.2  ImageJ：圖像處理領域的得力助手
    2.1.3  OpenCV：電腦視覺領域的開源瑰寶
    2.1.4  GIMP：開源圖像編輯領域的璀璨之星
    2.1.5  Blender：開源3D創作的全能利器
  2.2  專用開發工具及環境
    2.2.1  Python：圖像及視頻處理領域的得力編程助手
    2.2.2  TensorFlow與PyTorch：深度學習圖像視頻處理的雙雄
    2.2.3  FFmpeg：強大的多媒體處理利器
  2.3  圖像處理軟體的未來發展趨勢
  2.4  本章小結
  參考文獻
第3章  視覺檢測中的數學基礎
  3.1  線性代數基礎工具與方法
    3.1.1  標量
    3.1.2  向量
    3.1.3  矩陣
    3.1.4  張量
    3.1.5  張量演算法的基本性質
    3.1.6  降維
    3.1.7  點積（Dot Product）
    3.1.8  矩陣-向量積
    3.1.9  矩陣-矩陣乘法
    3.1.10  范數
  3.2  概率與數理統計在視覺檢測中的應用

    3.2.1  概率
    3.2.2  基本概率論
    3.2.3  處理多個隨機變數
    3.2.4  期望和方差
  3.3  微積分工具及其在視覺檢測中的應用
    3.3.1  常見的圖像處理工具
    3.3.2  各種工具的優缺點
  3.4  離散數學工具在視覺檢測中的作用
    3.4.1  常見的離散數學工具包
    3.4.2  離散工具包的實際應用
  3.5  本章小結
  參考文獻
第4章  視覺檢測中的圖像預處理技術
  4.1  圖像增強及銳化
    4.1.1  直方圖均衡化
    4.1.2  小波變換圖像增強演算法
    4.1.3  偏微分方程圖像增強演算法
    4.1.4  分數階微分方程增強演算法
    4.1.5  Retinex圖像增強演算法
    4.1.6  基於卷積的圖像銳化演算法
    4.1.7  基於頻域的圖像銳化演算法
  4.2  直方圖處理方法
    4.2.1  直方圖規定化
    4.2.2  局部直方圖處理
    4.2.3  直方圖拉伸
    4.2.4  雙直方圖均衡化
  4.3  圖像變換域處理技術
    4.3.1  主成分變換
    4.3.2  小波變換
    4.3.3  最小雜訊分離變換
    4.3.4  傅里葉變換
  4.4  圖像分割方法
    4.4.1  基於閾值的圖像分割
    4.4.2  基於區域的圖像分割
    4.4.3  基於邊緣的圖像分割
    4.4.4  基於聚類的圖像分割
    4.4.5  基於模型的圖像分割
  4.5  圖像降噪技術
    4.5.1  雜訊的類型
    4.5.2  圖像降噪的基本原理
    4.5.3  常見的圖像降噪方法
    4.5.4  圖像降噪方法的性能評估
  4.6  本章小結
  參考文獻
第5章  神經網路與深度學習在視覺檢測中的應用
  5.1  神經網路基礎與視覺檢測關聯
    5.1.1  神經網路的起源與發展
    5.1.2  神經網路的基本結構
    5.1.3  神經網路的工作原理
  5.2  機器學習在圖像處理中的作用

    5.2.1  機器學習的定義與分類
    5.2.2  監督學習
    5.2.3  無監督學習
    5.2.4  半監督學習
    5.2.5  強化學習
    5.2.6  機器學習的應用領域
  5.3  深度學習在視覺檢測方面的應用
    5.3.1  深度學習的特點
    5.3.2  卷積神經網路
    5.3.3  循環神經網路
    5.3.4  生成對抗網路
  5.4  大模型及專用模型在視覺檢測中的優化
    5.4.1  大模型的架構與設計
    5.4.2  大模型的訓練策略
    5.4.3  大模型的微調與優化
    5.4.4  大模型的評估指標
    5.4.5  專用模型的定製化架構
    5.4.6  專用模型的領域適應性訓練
    5.4.7  專用模型的性能優勢與局限性
  5.5  本章小結
  參考文獻
第6章  視覺檢測數據標注與處理方法
  6.1  樣本數據標注
    6.1.1  樣本數據標注概述
    6.1.2  樣本數據標注的重要性
    6.1.3  樣本數據標注方法與類型
    6.1.4  標注質量控制
    6.1.5  數據標注的難點與挑戰
    6.1.6  數據預處理與增強
    6.1.7  應用案例與實際挑戰
  6.2  視覺數據標注
    6.2.1  視覺數據標注概述
    6.2.2  視覺數據標注的重要性
    6.2.3  視覺數據標注的特點與標注需求
    6.2.4  視覺數據標注的分類與應用場景
    6.2.5  視覺數據標注的方法與工具
    6.2.6  視覺數據標注應用案例
  6.3  樣本數據預處理
    6.3.1  樣本數據預處理的定義與重要性
    6.3.2  數據清洗
    6.3.3  數據轉換
    6.3.4  數據集拆分
    6.3.5  數據增強
    6.3.6  數據格式與存儲
    6.3.7  雜訊與異常值處理
    6.3.8  數據平衡
    6.3.9  特徵工程
  6.4  樣本數據擴充
    6.4.1  樣本數據擴充的定義與重要性
    6.4.2  數據擴充技術概述

    6.4.3  數據擴充的挑戰
    6.4.4  數據擴充的應用
    6.4.5  數據擴充的未來發展趨勢
  6.5  本章小結
  參考文獻
第7章  基於神經網路的視覺檢測分類技術
  7.1  神經網路訓練流程與優化方法
    7.1.1  數據集準備
    7.1.2  初始化參數
    7.1.3  前向傳播
    7.1.4  計算損失
    7.1.5  反向傳播
    7.1.6  參數更新
    7.1.7  模型評估
  7.2  卷積神經網路在視覺檢測中的應用
    7.2.1  卷積神經網路的思想
    7.2.2  卷積層
    7.2.3  池化層
    7.2.4  激活層
    7.2.5  全連接層
  7.3  支持向量機演算法在視覺檢測中的應用與實踐
    7.3.1  支持向量機的原理
    7.3.2  核技巧
    7.3.3  決策函數
    7.3.4  SVM訓練演算法
    7.3.5  SVM的優缺點
  7.4  K近鄰（KNN）在視覺檢測中的應用和實踐
    7.4.1  分類方法
    7.4.2  KNN的原理
    7.4.3  KNN的步驟
    7.4.4  KNN的優缺點
    7.4.5  KNN的改進方法
  7.5  遷移學習在視覺檢測分類中的實踐
    7.5.1  遷移學習的概念
    7.5.2  遷移學習的分類
    7.5.3  遷移學習的方法
    7.5.4  概念漂移
    7.5.5  零次學習和一次學習
  7.6  本章小結
  參考文獻
第8章  視覺檢測的典型應用領域
  8.1  醫療影像分析
    8.1.1  醫療影像分析概述
    8.1.2  電腦視覺在醫學圖像中的應用
    8.1.3  深度學習在醫療影像中的突破
    8.1.4  典型應用案例
    8.1.5  持續改進與面臨的挑戰
  8.2  產品質量檢測
    8.2.1  產品質量檢測的傳統方法與限制
    8.2.2  電腦視覺在產品質量檢測中的應用

    8.2.3  深度學習與人工智慧在產品質量檢測中的創新
    8.2.4  自動化檢測系統的集成與優化
    8.2.5  典型應用案例
    8.2.6  面臨的挑戰與前景
  8.3  未來應用展望
    8.3.1  視覺人工智慧在新興行業中的潛力
    8.3.2  多模態視覺AI的興起
    8.3.3  邊緣計算與雲計算結合的未來
    8.3.4  可解釋性與透明度
    8.3.5  視覺檢測中的數據問題
    8.3.6  未來視覺檢測技術的應用展望
  8.4  本章小結
  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