- 机器视觉检测与识别技术及应用(基于深度学习)
- - 作者：编者:张勤俭|责编:雷桐辉
  - 出版社：化学工业
  - ISBN：9787122456830
  - 出版日期：2024/09/01
  - 页数：260
- 售价：31.92

内容大纲
    《机器视觉检测与识别技术及应用：基于深度学习》致力于深入剖析机器视觉检测与识别技术的内在机理、实用策略及其多元化应用，旨在为读者搭建起一个坚实而全面的理论知识与实践经验的桥梁。内容涉猎广泛，既涵盖图像处理、特征提取、目标检测，又深入探索图像分割、人脸识别、物体识别等，从基础概念到高级算法，全面又深入。在深度解读各个主题的同时，本书注重理论与实践的紧密结合，相关章节均配以典型的案例分析，展示这些技术在现实场景中的具体应用。
    通过阅读本书，读者将深入理解机器视觉技术的运作原理，并学会如何将这些技术灵活运用于解决实际问题。此外，本书还特别关注机器视觉技术所带来的伦理、隐私和社会影响等深层次议题，确保技术的发展既有利于社会进步，又尊重和保护个体的权利与隐私，实现可持续发展。
    本书适合从事计算机视觉、人工智能、图像处理以及相关领域研究和开发的专业人士阅读，也可作为高等院校计算机相关专业的教材，对机器视觉感兴趣的人群也可以阅读。
作者介绍
张勤俭，北京信息科技大学教授，博士生导师。现任超声加工技术委员会副主任、中国模具工业协会拉丝模委员会副主任、中国机械工程学会特种加工分会副秘书长、中国机械制造工艺协会理事。2002年被评为“北京市科技新星”，主持国家重点研发计划等省部级以上项目10余项，获省部级以上奖励4项，出版专著3部，发表学术论文100余篇。主要研究方向：特种加工技术、工艺与设备；智能（医疗）机器人技术。
目录
第1章  机器视觉概述
  1.1  机器视觉的基本概念
  1.2  机器视觉的发展历程
  1.3  机器视觉的发展趋势
  1.4  机器视觉的应用领域
第2章  深度学习基础知识
  2.1  基本概念与理论
  2.2  基本思想
  2.3  深度学习常用的方法
第3章  深度学习与机器视觉
  3.1  深度学习应用于机器视觉
  3.2  深度学习应用于机器视觉的例子
    3.2.1  基于深度学习的机器视觉在谷歌中的应用
    3.2.2  基于深度学习的机器视觉在百度中的应用
    3.2.3  基于深度学习的机器视觉在医疗中的应用
    3.2.4  基于深度学习的机器视觉在安防中的应用
    3.2.5  基于深度学习的机器视觉在摄影摄像中的应用
  3.3  机器视觉的关键深度学习方法和应用
第4章  图像分类与参数学习
  4.1  图像分类基础
  4.2  线性分类器
  4.3  损失函数
    4.3.1  损失函数的作用
    4.3.2  常见的损失函数
第5章  Transformer
  5.1  Transformer背景
    5.1.1  Transformer简介
    5.1.2  传统序列模型的局限性
  5.2  Transformer模型
    5.2.1  Transformer基本框架
    5.2.2  输入部分
    5.2.3  编码器结构
    5.2.4  解码器结构
  5.3  Transformer在机器视觉中的应用
    5.3.1  Detection Transformer（DETR）
    5.3.2  Unsupervised Pre-training for Object Detection with Transformers（UP-DETR）
    5.3.3  Deformable DETR
第6章  基于深度学习的目标检测
  6.1  目标检测技术
    6.1.1  目标检测概念
    6.1.2  目标检测评价指标
    6.1.3  目标检测数据集
  6.2  目标检测方法
    6.2.1  传统目标检测算法
    6.2.2  基于深度学习目标检测算法
  6.3  基于区域的两阶段目标检测方法
    6.3.1  R-CNN
    6.3.2  SPP-Net
    6.3.3  Fast R-CNN
    6.3.4  Faster R-CNN

  6.4  基于区域的单阶段目标检测方法
    6.4.1  SSD
    6.4.2  YOLO v
    6.4.3  RetinaNet
  6.5  基于深度学习的目标检测算法应用场景
    6.5.1  农业领域应用——害虫检测
    6.5.2  航天领域应用——遥感监测
    6.5.3  交通领域应用——车辆检测
第7章  目标识别
  7.1  目标识别技术
    7.1.1  目标识别概念
    7.1.2  目标识别评价指标
  7.2  目标识别方法
    7.2.1  传统目标识别方法
    7.2.2  深度学习目标识别方法
第8章  深度学习中的目标识别
  8.1  图像识别模型介绍
  8.2  图像识别模型改进算法
    8.2.1  小加权随机搜索算法
    8.2.2  E-S判断方法
    8.2.3  构造小型卷积神经网络
    8.2.4  残差网络模型
    8.2.5  融入注意力机制的残差网络识别算法
  8.3  基于深度学习的目标识别算法应用场景
    8.3.1  生物信息领域应用——人脸识别
    8.3.2  军事领域应用——雷达探测
    8.3.3  工业领域应用——水下作业
第9章  前列腺肿瘤检测
  9.1  前列腺图像复原、重建与合成
    9.1.1  医学图像复原与重建
    9.1.2  前列腺图像合成
  9.2  医学图像配准与分割
    9.2.1  医学图像配准
    9.2.2  医学图像分割
第10章  目标检测与识别技术在医疗领域中的应用
  10.1  医学图像处理技术及应用价值
    10.1.1  医学图像的类型
    10.1.2  医学图像的格式
    10.1.3  目标检测与识别技术在医疗领域的应用价值
  10.2  影像图像的疾病诊断与病灶分型
    10.2.1  典型的疾病诊断网络
    10.2.2  影像的疾病诊断应用
  10.3  影像图像的组织器官分割技术
    10.3.1  通用分割网络
    10.3.2  专用分割技术
  10.4  公开数据集
    10.4.1  影像诊断
    10.4.2  器官分割
    10.4.3  病理分析与生物信息
    10.4.4  竞赛单元/通用数据集

第11章  生菜识别及性状分析
  11.1  背景介绍
  11.2  定义问题
  11.3  数据分析
    11.3.1  数据内容及结构
    11.3.2  数据相关性分析
  11.4  数据处理
    11.4.1  数据加载及预处理
    11.4.2  数据增强
    11.4.3  标签加载
  11.5  模型搭建
    11.5.1  三阶段多分支自校正网络设计思路
    11.5.2  主模型
    11.5.3  辅助模型
  11.6  模型训练
    11.6.1  训练参数设置
    11.6.2  训练曲线及结果分析
  11.7  模型评估
    11.7.1  评估指标
    11.7.2  评估结果
  11.8  模型讨论
    11.8.1  深度图像的数据处理方法讨论
    11.8.2  辅助模型的设计及选择
    11.8.3  高通量情形下的生菜性状估计思路设计

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目