機器視覺：原理與經典案例詳解

機器視覺是指利用相機、攝像機等作為傳感器，並配合機器視覺算法，賦予智能設備具備人眼的功能，
從而進行相關物件識別、檢測、測量等作的一種技術，現已廣泛應用於多個領域。
本書在對機器視覺的定義、現狀及組成單元等基礎理論進行介紹的基礎之上，從實用性角度，
對Delta並聯機器人機器視覺動態分揀等5個工業應用實例、鐵路貨車限監測等5個交通應用實例
、基於人臉識別的智能窗簾等3個其他領域應用實例進行了重點講解，並對機器視覺技術和市場的未來發展進行了展望。
本書可供儀器科學與技術、機械電子工程、自動化等領域的科研人員和工程技術人員參考使用，
也可作為高等院校測控技術與儀器、智能感知工程、機械電子工程、電子信息工程等相關專業的教學用書。

宋春華
男，博士，西華大學機械工程與自動化學院副教授，碩士研究生導師，EI期刊《振動、測試與診斷》審稿專家。
主要研究方向為：機電一體化技術、工業測控技術、驅動系統節能控制。
主持科研項目近10項，發表文章10餘篇，授權發明專利4項，獲評川省十二批“學術與技術帶頭人後備人才”，
獲得中國機械工業科學技術獎科技進步獎三等獎。

基礎理論篇001
第1章　緒論002
1.1機器視覺的定義002
1.2機器視覺的發展歷史004
1.3機器視覺的發展研究現狀005
1.3.1國外機器視覺現狀005
1.3.2 機器視覺現狀005
本章小結007
參考文獻007

第2章　機器視覺系統組成單元及應用009
2.1照明010
2.2鏡頭011
2.3圖像傳感器012
2.4視覺信息處理012
2.5通信模塊013
2.6機器視覺軟件013
本章小結014
參考文獻014

第3章　機器視覺系統與平台015
3.1機器視覺系統015
3.1.1一維機器視覺系統015
3.1.2二維機器視覺系統016
3.1.3三維機器視覺系統017
3.2機器視覺平台019
3.2.1基於PC的視覺系統019
3.2.2視覺控制器019
3.2.3獨立視覺系統019
3.2.4視覺傳感器和基於圖像的條形碼閱讀器020
3.2.5嵌入式視覺系統020
3.2.6基於GPU的視覺系統020
本章小結021
參考文獻021

應用實例篇：工業023
第4章　Delta並聯機器人機器視覺動態分揀024
4.1研究背景意義024
4.2項目研究目標028
4.3主要研究內容029
4.4項目研究方法030
4.4.1基於灰色關聯度的邊緣檢測算法030
4.4.2基於邊緣梯度的模板匹配算法032
4.4.3攝像頭及Delta機器人系統標定033
4.4.4多Delta機器人系統協同分揀策略033
4.5實驗結果分析036
本章小結038
參考文獻039

第5章　3-PPR平面並聯機構視覺伺服精密對位041
5.1研究背景意義041
5.2項目研究目標046
5.3主要研究內容046
5.4項目研究方法047
5.4.1並聯平台的結構與原理047
5.4.2機器視覺伺服對位系統048
5.5實驗結果分析051
本章小結053
參考文獻054

第6章　關節臂式機器人3D視覺智能抓取056
6.1研究背景意義056
6.2項目研究目標061
6.3主要研究內容061
6.4項目研究方法062
6.4.1基於遷移學習的捲積神經網絡062
6.4.2基於深度學習的3D物體識別及抓取區域檢測063
6.4.3基於深度強化學習的C空間路徑規劃與避障066
6.5實驗結果分析069
本章小結074
參考文獻075

第7章　工件表面缺陷視覺檢測077
7.1研究背景意義077
7.2項目研究目標083
7.3主要研究內容084
7.4項目研究方法084
7.4.1基於Hough變換的工件區域提取算法084
7.4.2基於圖像處理的表面缺陷檢測算法086
7.4.3基於深度學習的表面缺陷檢測算法086
7.5實驗結果分析089
7.5.1基於圖像處理的檢測算法的實驗結果分析089
7.5.2基於深度學習的檢測算法的實驗結果分析090
本章小結091
參考文獻092

第8章　工件尺寸視覺測量096
8.1研究背景意義096
8.2項目研究目標098
8.3主要研究內容098
8.4項目研究方法099
8.4.1照明技術研究099
8.4.2工業鏡頭101
8.4.3系統硬件組成102
8.4.4檢測算法103
8.5實驗結果分析107
本章小結107
參考文獻107

應用實例篇：交通109
第9章　鐵路貨車超限監測110
9.1研究背景意義110
9.2項目研究目標111
9.3主要研究內容112
9.4項目研究方法112
9.4.1邊緣檢測112
9.4.2閾值分割113
9.5實驗結果分析114
本章小結119
參考文獻119

0章　高速列車弓網異常狀態檢測121
10.1研究背景意義121
10.2項目研究目標124
10.3主要研究內容125
10.4項目研究方法125
10.4.1YOLO網絡模型126
10.4.2YOLO v4目標檢測模型127
10.4.3YOLO v4網絡的弓網接觸區域檢測129
10.4.4基於堆疊沙漏網絡的弓網接觸點檢測133
10.4.5堆疊沙漏網絡的弓網關鍵點檢測模型134
10.5實驗結果分析135
10.5.1YOLO v4網絡的弓網接觸區域檢測結果135
10.5.2關鍵點檢測網絡模型檢測結果與分析137
本章小結140
參考文獻140

1章　車站客流安全智能監控142
11.1研究背景意義142
11.2項目研究目標144
11.3主要研究內容144
11.4項目研究方法144
11.4.1背景差分處理圖像144
11.4.2背景圖像模型145
11.4.3旅客前景目標檢測算法146
11.4.4運動目標追踪算法148
11.4.5車站客流安全指標分析149
11.5實驗結果分析152
11.5.1旅客檢測追踪算法結果152
11.5.2客流量安全狀態預警結果154
本章小結156
參考文獻157

2章　高鐵牽引變電所 緣子異常狀態識別159
12.1研究背景意義159
12.2項目研究目標161
12.3主要研究內容161
12.4項目研究方法162
12.4.1深度學習的基本原理162
12.4.2深度學習在 緣子圖像中的應用165
12.4.3 緣子檢測算法166
12.4.4 緣子檢測評價指標170
12.4.5 緣子故障識別評價指標171
12.5實驗結果分析172
12.5.1 緣子檢測結果分析172
12.5.2 緣子故障識別結果分析174
本章小結176
參考文獻176

3章　高速列車接觸網狀態巡檢178
13.1研究背景意義178
13.2項目研究目標180
13.3主要研究內容180
13.4項目研究方法181
13.4.1支持向量數據描述算法182
13.4.2卷積神經網絡法183
13.4.3基於改進Lenet-5的特徵遷移學習法185
13.4.4接觸網圖像異常檢測的網絡結構設計187
13.4.5特徵提取及可視化190
13.5實驗結果分析192
本章小結196
參考文獻197

應用實例篇：其他領域199
4章　基於人臉識別的智能窗簾200
14.1研究背景意義200
14.2項目研究目標200
14.3主要研究內容201
14.4項目研究方法201
14.4.1主程序設計201
14.4.2人臉檢測設計201
14.4.3表情識別設計203
14.4.4電機控制設計204
14.5實驗結果與分析205
14.5.1實驗系統組裝206
14.5.2系統初始化206
14.5.3關閉窗簾演示207
14.5.4打開窗簾演示207
本章小結208
參考文獻208

5章　基於機器視覺的茶葉嫩芽識別方法209
15.1研究背景意義209
15.2項目研究目標210
15.3項目研究方法210
15.3.1YOLO v3目標識別原理210
15.3.2基於YOLO的茶葉識別模型建立212
15.4實驗結果與分析213
本章小結216
參考文獻216

6章　基於機器視覺的車牌識別系統218
16.1研究背景意義218
16.2項目研究目標219
16.3主要研究內容219
16.4項目研究方法219
16.4.1基本硬件設計220
16.4.2基於R-CNN的物體定位222
16.4.3基於SSD的物體定位223
16.4.4基於Hough變換的車牌校正223
16.4.5基於YOLO v2的車牌檢測224
16.5實驗結果分析226
本章小結233
參考文獻234

展望篇235
7章　機器視覺的發展展望236
17.1面臨的挑戰與解決方案237
17.2未來技術發展趨勢238
17.3未來市場發展前景241
本章小結247
參考文獻247