機器視覺檢測與識別技術及應用：基于深度學習

定　價：￥79.80

作　者：	張勤儉編著
出版社：	化學工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網 (￥63.00)

ISBN：	9787122456830	出版時間：	2024-09-01	包裝：	平裝
開本：	32開	頁數(shù)：		字數(shù)：

內容簡介

　　《機器視覺檢測與識別技術及應用：基于深度學習》致力于深入剖析機器視覺檢測與識別技術的內在機理、實用策略及其多元化應用，旨在為讀者搭建起一個堅實而全面的理論知識與實踐經驗的橋梁。內容涉獵廣泛，既涵蓋圖像處理、特征提取、目標檢測，又深入探索圖像分割、人臉識別、物體識別等，從基礎概念到高級算法，全面又深入。在深度解讀各個主題的同時，本書注重理論與實踐的緊密結合，相關章節(jié)均配以典型的案例分析，展示這些技術在現(xiàn)實場景中的具體應用。通過閱讀本書，讀者將深入理解機器視覺技術的運作原理，并學會如何將這些技術靈活運用于解決實際問題。此外，本書還特別關注機器視覺技術所帶來的倫理、隱私和社會影響等深層次議題，確保技術的發(fā)展既有利于社會進步，又尊重和保護個體的權利與隱私，實現(xiàn)可持續(xù)發(fā)展。本書適合從事計算機視覺、人工智能、圖像處理以及相關領域研究和開發(fā)的專業(yè)人士閱讀，也可作為高等院校計算機相關專業(yè)的教材，對機器視覺感興趣的人群也可以閱讀。

作者簡介

　　無

圖書目錄

第1章機器視覺概述
1.1 機器視覺的基本概念 002
1.2 機器視覺的發(fā)展歷程 005
1.3 機器視覺的發(fā)展趨勢 008
1.4 機器視覺的應用領域 011
第2章深度學習基礎知識
2.1 基本概念與理論 018
2.2 基本思想 022
2.3 深度學習常用的方法 022
第3章深度學習與機器視覺
3.1 深度學習應用于機器視覺 028
3.2 深度學習應用于機器視覺的例子 030
3.2.1 基于深度學習的機器視覺在谷歌中的應用 030
3.2.2 基于深度學習的機器視覺在百度中的應用 030
3.2.3 基于深度學習的機器視覺在醫(yī)療中的應用 032
3.2.4 基于深度學習的機器視覺在安防中的應用 033
3.2.5 基于深度學習的機器視覺在攝影攝像中的應用 033
3.3 機器視覺的關鍵深度學習方法和應用 034
第4章圖像分類與參數(shù)學習
4.1 圖像分類基礎 042
4.2 線性分類器 044
4.3 損失函數(shù) 047
4.3.1 損失函數(shù)的作用 047
4.3.2 常見的損失函數(shù) 048
第5章 Transformer
5.1 Transformer背景 052
5.1.1 Transformer簡介 052
5.1.2 傳統(tǒng)序列模型的局限性 053
5.2 Transformer模型 054
5.2.1 Transformer基本框架 054
5.2.2 輸入部分 054
5.2.3 編碼器結構 057
5.2.4 解碼器結構 059
5.3 Transformer在機器視覺中的應用 060
5.3.1 Detection Transformer（DETR） 060
5.3.2 Unsupervised Pre-training for Object Detection with Transformers（UP-DETR） 062
5.3.3 Deformable DETR 062
第6章基于深度學習的目標檢測
6.1 目標檢測技術 066
6.1.1 目標檢測概念 066
6.1.2 目標檢測評價指標 067
6.1.3 目標檢測數(shù)據(jù)集 070
6.2 目標檢測方法 071
6.2.1 傳統(tǒng)目標檢測算法 071
6.2.2 基于深度學習目標檢測算法 073
6.3 基于區(qū)域的兩階段目標檢測方法 076
6.3.1 R-CNN 076
6.3.2 SPP-Net 080
6.3.3 Fast R-CNN 083
6.3.4 Faster R-CNN 086
6.4 基于區(qū)域的單階段目標檢測方法 091
6.4.1 SSD 092
6.4.2 YOLO v3 095
6.4.3 RetinaNet 098
6.5 基于深度學習的目標檢測算法應用場景 102
6.5.1 農業(yè)領域應用——害蟲檢測 102
6.5.2 航天領域應用——遙感監(jiān)測 103
6.5.3 交通領域應用——車輛檢測 103
第7章目標識別
7.1 目標識別技術 108
7.1.1 目標識別概念 108
7.1.2 目標識別評價指標 108
7.2 目標識別方法 109
7.2.1 傳統(tǒng)目標識別方法 109
7.2.2 深度學習目標識別方法 112
第8章深度學習中的目標識別
8.1 圖像識別模型介紹 114
8.2 圖像識別模型改進算法 118
8.2.1 小加權隨機搜索算法 118
8.2.2 E-S判斷方法 121
8.2.3 構造小型卷積神經網絡 122
8.2.4 殘差網絡模型 124
8.2.5 融入注意力機制的殘差網絡識別算法 126
8.3 基于深度學習的目標識別算法應用場景 129
8.3.1 生物信息領域應用——人臉識別 129
8.3.2 軍事領域應用——雷達探測 134
8.3.3 工業(yè)領域應用——水下作業(yè) 134
第9章前列腺腫瘤檢測
9.1 前列腺圖像復原、重建與合成 143
9.1.1 醫(yī)學圖像復原與重建 143
9.1.2 前列腺圖像合成 145
9.2 醫(yī)學圖像配準與分割 147
9.2.1 醫(yī)學圖像配準 147
9.2.2 醫(yī)學圖像分割 148
第10章目標檢測與識別技術在醫(yī)療領域中的應用
10.1 醫(yī)學圖像處理技術及應用價值 152
10.1.1 醫(yī)學圖像的類型 152
10.1.2 醫(yī)學圖像的格式 155
10.1.3 目標檢測與識別技術在醫(yī)療領域的應用價值 157
10.2 影像圖像的疾病診斷與病灶分型 158
10.2.1 典型的疾病診斷網絡 159
10.2.2 影像的疾病診斷應用 165
10.3 影像圖像的組織器官分割技術 176
10.3.1 通用分割網絡 177
10.3.2 專用分割技術 189
10.4 公開數(shù)據(jù)集 203
10.4.1 影像診斷 203
10.4.2 器官分割 207
10.4.3 病理分析與生物信息 209
10.4.4 競賽單元/通用數(shù)據(jù)集 210
第11章生菜識別及性狀分析
11.1 背景介紹 218
11.2 定義問題 219
11.3 數(shù)據(jù)分析 220
11.3.1 數(shù)據(jù)內容及結構 220
11.3.2 數(shù)據(jù)相關性分析 222
11.4 數(shù)據(jù)處理 226
11.4.1 數(shù)據(jù)加載及預處理 226
11.4.2 數(shù)據(jù)增強 228
11.4.3 標簽加載 229
11.5 模型搭建 230
11.5.1 三階段多分支自校正網絡設計思路 230
11.5.2 主模型 233
11.5.3 輔助模型 237
11.6 模型訓練 241
11.6.1 訓練參數(shù)設置 241
11.6.2 訓練曲線及結果分析 243
11.7 模型評估 247
11.7.1 評估指標 247
11.7.2 評估結果 248
11.8 模型討論 254
11.8.1 深度圖像的數(shù)據(jù)處理方法討論 254
11.8.2 輔助模型的設計及選擇 256
11.8.3 高通量情形下的生菜性狀估計思路設計 258