基础理论篇 001

第1章　绪论 002

1.1 机器视觉的定义 002

1.2 机器视觉的发展历史 004

1.3 机器视觉的发展研究现状 005

1.3.1 国外机器视觉现状 005

1.3.2 国内机器视觉现状 005

本章小结 007

参考文献 007

第2章　机器视觉系统组成单元及应用 009

2.1 照明 010

2.2 镜头 011

2.3 图像传感器 012

2.4 视觉信息处理 012

2.5 通信模块 013

2.6 机器视觉软件 013

本章小结 014

参考文献 014

第3章　机器视觉系统与平台 015

3.1 机器视觉系统 015

3.1.1 一维机器视觉系统 015

3.1.2 二维机器视觉系统 016

3.1.3 三维机器视觉系统 017

3.2 机器视觉平台 019

3.2.1 基于PC的视觉系统 019

3.2.2 视觉控制器 019

3.2.3 独立视觉系统 019

3.2.4 视觉传感器和基于图像的条形码阅读器 020

3.2.5 嵌入式视觉系统 020

3.2.6 基于GPU的视觉系统 020

本章小结 021

参考文献 021

应用实例篇：工业 023

第4章　Delta并联机器人机器视觉动态分拣 024

4.1 研究背景意义 024

4.2 项目研究目标 028

4.3 主要研究内容 029

4.4 项目研究方法 030

4.4.1 基于灰色关联度的边缘检测算法 030

4.4.2 基于边缘梯度的模板匹配算法 032

4.4.3 摄像头及Delta机器人系统标定 033

4.4.4 多Delta机器人系统协同分拣策略 033

4.5 实验结果分析 036

本章小结 038

参考文献 039

第5章　3-PPR平面并联机构视觉伺服精密对位 041

5.1 研究背景意义 041

5.2 项目研究目标 046

5.3 主要研究内容 046

5.4 项目研究方法 047

5.4.1 并联平台的结构与原理 047

5.4.2 机器视觉伺服对位系统 048

5.5 实验结果分析 051

本章小结 053

参考文献 054

第6章　关节臂式机器人3D视觉智能抓取 056

6.1 研究背景意义 056

6.2 项目研究目标 061

6.3 主要研究内容 061

6.4 项目研究方法 062

6.4.1 基于迁移学习的卷积神经网络 062

6.4.2 基于深度学习的3D物体识别及抓取区域检测 063

6.4.3 基于深度强化学习的C空间路径规划与避障 066

6.5 实验结果分析 069

本章小结 074

参考文献 075

第7章　工件表面缺陷视觉检测 077

7.1 研究背景意义 077

7.2 项目研究目标 083

7.3 主要研究内容 084

7.4 项目研究方法 084

7.4.1 基于Hough变换的工件区域提取算法 084

7.4.2 基于图像处理的表面缺陷检测算法 086

7.4.3 基于深度学习的表面缺陷检测算法 086

7.5 实验结果分析 089

7.5.1 基于图像处理的检测算法的实验结果分析 089

7.5.2 基于深度学习的检测算法的实验结果分析 090

本章小结 091

参考文献 092

第8章　工件尺寸视觉测量 096

8.1 研究背景意义 096

8.2 项目研究目标 098

8.3 主要研究内容 098

8.4 项目研究方法 099

8.4.1 照明技术研究 099

8.4.2 工业镜头 101

8.4.3 系统硬件组成 102

8.4.4 检测算法 103

8.5 实验结果分析 107

本章小结 107

参考文献 107

应用实例篇：交通 109

第9章　铁路货车超限监测 110

9.1 研究背景意义 110

9.2 项目研究目标 111

9.3 主要研究内容 112

9.4 项目研究方法 112

9.4.1 边缘检测 112

9.4.2 阈值分割 113

9.5 实验结果分析 114

本章小结 119 参考文献 119 第10章　高速列车弓网异常状态检测 121 10.1 研究背景意义 121 10.2 项目研究目标 124 10.3 主要研究内容 125 10.4 项目研究方法 125 10.4.1 YOLO网络模型 126 10.4.2 YOLO v4目标检测模型 127 10.4.3 YOLO v4网络的弓网接触区域检测 129 10.4.4 基于堆叠沙漏网络的弓网接触点检测 133 10.4.5 堆叠沙漏网络的弓网关键点检测模型 134 10.5 实验结果分析 135 10.5.1 YOLO v4网络的弓网接触区域检测结果 135 10.5.2 关键点检测网络模型检测结果与分析 137 本章小结 140 参考文献 140 第11章　车站客流安全智能监控 142 11.1 研究背景意义 142 11.2 项目研究目标 144 11.3 主要研究内容 144 11.4 项目研究方法 144 11.4.1 背景差分处理图像 144 11.4.2 背景图像模型 145 11.4.3 旅客前景目标检测算法 146 11.4.4 运动目标追踪算法 148 11.4.5 车站客流安全指标分析 149 11.5 实验结果分析 152 11.5.1 旅客检测追踪算法结果 152 11.5.2 客流量安全状态预警结果 154 本章小结 156 参考文献 157 第12章　高铁牵引变电所绝缘子异常状态识别 159 12.1 研究背景意义 159 12.2 项目研究目标 161 12.3 主要研究内容 161 12.4 项目研究方法 162 12.4.1 深度学习的基本原理 162 12.4.2 深度学习在绝缘子图像中的应用 165 12.4.3 绝缘子检测算法 166 12.4.4 绝缘子检测评价指标 170 12.4.5 绝缘子故障识别评价指标 171 12.5 实验结果分析 172 12.5.1 绝缘子检测结果分析 172 12.5.2 绝缘子故障识别结果分析 174 本章小结 176 参考文献 176 第13章　高速列车接触网状态巡检 178 13.1 研究背景意义 178 13.2 项目研究目标 180 13.3 主要研究内容 180 13.4 项目研究方法 181 13.4.1 支持向量数据描述算法 182 13.4.2 卷积神经网络法 183 13.4.3 基于改进Lenet-5的特征迁移学习法 185 13.4.4 接触网图像异常检测的网络结构设计 187 13.4.5 特征提取及可视化 190 13.5 实验结果分析 192 本章小结 196 参考文献 197 应用实例篇：其他领域 199 第14章　基于人脸识别的智能窗帘 200 14.1 研究背景意义 200 14.2 项目研究目标 200 14.3 主要研究内容 201 14.4 项目研究方法 201 14.4.1 主程序设计 201 14.4.2 人脸检测设计 201 14.4.3 表情识别设计 203 14.4.4 电机控制设计 204 14.5 实验结果与分析 205 14.5.1 实验系统组装 206 14.5.2 系统初始化 206 14.5.3 关闭窗帘演示 207 14.5.4 打开窗帘演示 207 本章小结 208 参考文献 208 第15章　基于机器视觉的茶叶嫩芽识别方法 209 15.1 研究背景意义 209 15.2 项目研究目标 210 15.3 项目研究方法 210 15.3.1 YOLO v3目标识别原理 210 15.3.2 基于YOLO的茶叶识别模型建立 212 15.4 实验结果与分析 213 本章小结 216 参考文献 216 第16章　基于机器视觉的车牌识别系统 218 16.1 研究背景意义 218 16.2 项目研究目标 219 16.3 主要研究内容 219 16.4 项目研究方法 219 16.4.1 基本硬件设计 220 16.4.2 基于R-CNN的物体定位 222 16.4.3 基于SSD的物体定位 223 16.4.4 基于Hough变换的车牌校正 223 16.4.5 基于YOLO v2的车牌检测 224 16.5 实验结果分析 226 本章小结 233 参考文献 234 展望篇 235 第17章　机器视觉的发展展望 236 17.1 面临的挑战与解决方案 237 17.2 未来技术发展趋势 238 17.3 未来市场发展前景 241 本章小结 247 参考文献 247

......

机器视觉是指利用相机、摄像机等作为传感器，并配合机器视觉算法，赋予智能设备具备人眼的功能，从而进行相关物件识别、检测、测量等操作的一种技术，现已广泛应用于多个领域。

本书在对机器视觉的定义、现状及组成单元等基础理论进行介绍的基础之上，从实用性角度，对Delta并联机器人机器视觉动态分拣等5个工业应用实例、铁路货车超限监测等5个交通应用实例、基于人脸识别的智能窗帘等3个其他领域应用实例进行了重点讲解，并对机器视觉技术和市场的未来发展进行了展望。

本书可供仪器科学与技术、机械电子工程、自动化等领域的科研人员和工程技术人员参考使用，也可作为高等院校测控技术与仪器、智能感知工程、机械电子工程、电子信息工程等相关专业的教学用书。