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

機器視覺底層演算法原理與產品缺陷智能檢測技術/數字賦能智能製造核心技術叢書

  • 作者：編者:余建波|責編:于成成//李軍亮
  • 出版社：化學工業
  • ISBN：9787122495600
  • 出版日期：2026/09/01
  • 裝幀：平裝
  • 頁數：261
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書以工業實際應用為導向，系統闡述基於機器視覺與人工智慧的產品表面缺陷檢測技術，涵蓋從圖像採集、特徵提取、缺陷識別到系統開發的全流程。內容融合傳統圖像處理與深度學習等先進方法，結合刀具磨損、鋼鐵表面、晶圓缺陷等多個典型工業場景，提供具有實踐指導意義的解決方案。
    本書可供從事智能製造、機器視覺、質量檢測等領域的科研和技術人員參考，也可作為高等院校電腦視覺技術與應用、機械工程等相關專業的教材。
作者介紹
編者:余建波|責編:于成成//李軍亮
目錄
第1章  概述
  1.1  機器視覺驅動的產品檢測技術
  1.2  產品缺陷檢測技術發展現狀
    1.2.1  機器視覺的研究現狀
    1.2.2  基於機器視覺的產品表面缺陷檢測研究現狀
    1.2.3  基於深度學習的產品表面缺陷檢測研究現狀
    1.2.4  研究現狀總結
  參考文獻
第2章  基於機器視覺的產品缺陷檢測系統
  2.1  系統需求分析
  2.2  機器視覺測量系統設計
    2.2.1  機器視覺測量系統
    2.2.2  視覺測量系統結構
  2.3  視覺測量硬體系統設計
    2.3.1  載物台系統設計
    2.3.2  照明系統設計
    2.3.3  圖像感測器系統設計
  2.4  視覺測量軟體系統設計
    2.4.1  軟體設計架構
    2.4.2  軟體系統結構
    2.4.3  軟體系統開發平台及工具
    2.4.4  軟體系統功能及主界面
第3章  特徵提取與選擇技術
  3.1  典型特徵提取方法
    3.1.1  主成分分析
    3.1.2  獨立主元分析
    3.1.3  線性判別分析
  3.2  基於流形學習的特徵提取與選擇技術
    3.2.1  拉普拉斯特徵映射演算法
    3.2.2  局部保持投影演算法
    3.2.3  局部和非局部保持投影和基於監督學習的局部和非局部保持投影
    3.2.4  局部/非局部線性判別分析演算法
  3.3  二維聯合局部和非局部判別分析方法
    3.3.1  局部/非局部線性判別分析演算法
    3.3.2  二維聯合局部/非局部線性判別分析演算法
    3.3.3  DJLNDA與2DPCA，2DLDA，2DLPP之間的關係
    3.3.4  2DJLNDA實驗分析
  3.4  基於2DJLNDA的深度學習演算法研究
    3.4.1  自動編碼器
    3.4.2  降噪自動編碼器
    3.4.3  堆疊降噪自編碼器
    3.4.4  2DJLNDA和堆疊降噪自編碼器的特徵提取演算法
  3.5  基於特徵提取演算法的晶圓表面缺陷類型識別
    3.5.1  晶圓數據介紹
    3.5.2  基於2DJLNDA演算法的晶圓表面缺陷類型識別
    3.5.3  基於2DJLNDA和SDAE的晶圓表面缺陷類型識別
  參考文獻
第4章  基於機器視覺的加工刀具磨損量在線測量
  4.1  刀具磨損
  4.2  加工刀具磨損檢測與測量演算法

    4.2.1  圖像預處理
    4.2.2  基於LoG運算元的Otsu分割與多重形態學組合的梯度邊緣提取
    4.2.3  基於高斯金字塔加速的圖像配准與最大連通域提取
    4.2.4  亞像素邊緣檢測與基於軟k段主曲線演算法的磨損區域擬合
  4.3  實驗與結果分析
    4.3.1  實驗裝置
    4.3.2  基於顯微鏡的人工缺陷測量實驗
    4.3.3  基於機器視覺的刀具磨損測量實驗
  參考文獻
第5章  基於機器視覺的機械零部件尺寸質量檢測
  5.1  齒輪圖像處理演算法
    5.1.1  齒輪圖像預處理
    5.1.2  齒輪圖像分割及形態學操作
    5.1.3  齒輪圖像邊緣提取
  5.2  齒輪尺寸參數測量方法
    5.2.1  齒輪中心點定位
    5.2.2  齒頂圓半徑與齒根圓半徑測量
    5.2.3  確定齒數、模數、齒距及分度圓半徑
  5.3  實驗與結果分析
    5.3.1  實驗結果
    5.3.2  軟體系統齒輪尺寸測量功能模塊
  參考文獻
第6章  基於堆疊卷積稀疏降噪自編碼網路模型的產品表面缺陷探測與識別
  6.1  產品表面缺陷模式
  6.2  基於堆疊卷積稀疏降噪自編碼網路模型的產品表面缺陷識別
    6.2.1  產品表面缺陷識別
    6.2.2  堆疊卷積降噪自編碼網路
    6.2.3  產品表面缺陷識別方案
  6.3  實驗與結果分析
    6.3.1  模擬數據實驗與分析
    6.3.2  工業案例分析
  參考文獻
第7章  基於特徵與標籤聯合對抗的晶圓缺陷模式自適應識別
  7.1  基於深度卷積神經網路的遷移學習
  7.2  基於半監督深度遷移學習的晶圓缺陷模式自適應識別
    7.2.1  基於特徵和標籤聯合對抗的深度遷移學習網路模型
    7.2.2  晶圓缺陷模式自適應識別方案
  7.3  實驗與結果分析
    7.3.1  晶圓圖像數據
    7.3.2  晶圓缺陷模式識別
    7.3.3  晶圓部分缺陷模式自適應識別
  參考文獻
第8章  基於輕量化網路的產品表面缺陷識別
  8.1  輕量化網路原理
    8.1.1  深度可分離卷積
    8.1.2  通道信息交互
    8.1.3  特徵重標定
  8.2  MacroNet
    8.2.1  MicroNet
    8.2.2  MacroNet框架

  8.3  基於MacroNet的產品表面缺陷識別方案
  8.4  實驗與結果分析
    8.4.1  模擬數據實驗與分析
    8.4.2  工業案例分析
  參考文獻
第9章  基於深度學習的鋼鐵表面缺陷有錨檢測方法
  9.1  單階段檢測器
    9.1.1  神經網路結構
    9.1.2  分類損失函數
    9.1.3  特徵融合
  9.2  基於通道注意力和自適應空間特徵融合的單階段檢測器
    9.2.1  錨框配置優化
    9.2.2  通道注意力機制模塊
    9.2.3  空間自適應特徵融合
  9.3  基於有錨單階段檢測器的產品表面缺陷檢測方案
  9.4  實驗與結果分析
    9.4.1  實驗平台和參數設置
    9.4.2  對比實驗
    9.4.3  消融實驗
  參考文獻
第10章  基於深度學習的鋼鐵表面缺陷無錨檢測方法
  10.1  目標檢測模型
    10.1.1  有錨目標檢測網路
    10.1.2  無錨目標檢測網路
  10.2  單階段全連接卷積網路
  10.3  雙向特徵融合網路
    10.3.1  橫向融合網路
    10.3.2  特徵聚集網路
    10.3.3  特徵分散網路
  10.4  回歸損失函數
  10.5  基於無錨檢測模型的鋼鐵表面缺陷檢測系統
  10.6  實驗與結果分析
    10.6.1  性能評價指標
    10.6.2  實驗參數設置
    10.6.3  對比實驗
    10.6.4  消融實驗
  參考文獻
第11章  基於自適應關鍵點定位網路的印製電路板缺陷檢測
  11.1  印製電路板缺陷檢測
  11.2  自適應關鍵點定位網路
    11.2.1  基於殘差金字塔熱映射網路的特徵提取網路
    11.2.2  關鍵點定位網路
  11.3  基於自適應關鍵點定位網路的印製電路板表面缺陷檢測結果
    11.3.1  PCB-Master數據集
    11.3.2  基於自適應關鍵點定位網路的缺陷實驗結果與分析
    11.3.3  模型性能評估
    11.3.4  消融實驗
    11.3.5  AT-RPN損失函數評估
    11.3.6  基於Deep PCB-Master數據集的缺陷檢測
  參考文獻

第12章  基於自適應全局定位網路的帶鋼表面缺陷檢測
  12.1  帶鋼表面缺陷檢測問題
  12.2  基於卷積神經網路的產品表面缺陷檢測模型結構設計
    12.2.1  基於單階段網路的目標檢測模型結構設計
    12.2.2  基於雙階段網路的目標檢測模型結構設計
    12.2.3  錨框優化下的缺陷檢測模型結構設計
  12.3  自適應全局定位網路研究
    12.3.1  基於殘差金字塔網路的特徵提取網路
    12.3.2  基於自適應樹狀候選框提取模塊
    12.3.3  RoI池化與RoIAlign池化
    12.3.4  基於錨優化的全局定位網路
  12.4  基於AGLNet的帶鋼缺陷檢測實驗結果
    12.4.1  實驗環境和評估標準
    12.4.2  NEU-DET帶鋼表面缺陷數據集
    12.4.3  帶鋼缺陷檢測結果分析
    12.4.4  檢測模型性能評估
    12.4.5  消融實驗
    12.4.6  anchor優化下的AT-RPN效果評估
  參考文獻
第13章  基於機器視覺與深度學習的產品缺陷檢測系統
  13.1  軟體概況
    13.1.1  軟體主要功能
    13.1.2  軟體運行環境
    13.1.3  源程序語言版本及源程序量
    13.1.4  軟體設計
    13.1.5  系統軟體架構設計
  13.2  操作指南
    13.2.1  系統軟體結構
    13.2.2  缺陷檢測演算法工具箱
  13.3  系統業務流程與功能
    13.3.1  深度學習驅動的產品表面缺陷檢測系統首頁
    13.3.2  數據集管理
    13.3.3  數據標注
    13.3.4  圖像標定
    13.3.5  模型管理
    13.3.6  晶圓缺陷檢測
    13.3.7  PCB缺陷檢測
    13.3.8  鋼鐵缺陷檢測
    13.3.9  磁瓦缺陷語義分割檢測
    13.3.10  工業電子器件缺陷語義分割檢測
    13.3.11  自適應語義分割訓練模塊
    13.3.12  檢測記錄查看

  • 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