機器視覺：原理與經典案例詳解（簡體書）

前言
機器視覺技術作為信息獲取與處理的重要技術，已經是大多數理工科類本科和研究生的必修和選修課程。自20世紀60年代Roberts正式開啟三維機器視覺的研究開始，機器視覺技術經過幾十年的發展，並伴隨計算機技術、現場總線技術的提升，現已是現代加工製造業不可或缺的產品之一。機器視覺技術強調實用性，具有非接觸性、實時性、自動化、智能化和可移植性等優點，有著廣泛的應用前景。目前已廣泛應用於食品、化妝品、製藥、建材、化工、金屬加工、電子製造、包裝、汽車製造等行業。
機器視覺技術是獲取信息、分析和處理數據的關鍵技術和手段，是從事科學研究、產品智能化與無人化的關鍵技術。可以說，沒有機器視覺技術，就沒有科學研究的未來，各行各業會因為沒有機器視覺技術而大大阻礙智能化和無人化發展的腳步。因此，機器視覺技術相關的知識是已經或者將要從事科技與生產的人員必須學會、必須掌握的一門重要的專業基礎知識。
機器視覺技術涉及人工智能、神經生物學、心理物理學、計算機科學、圖像處理、模式識別等諸多學科。機器視覺主要用計算機來模擬人的視覺功能，從客觀事物的圖像中提取信息，進行處理並加以理解，最終用於實際檢測、測量和控制。機器視覺技術最大的特點是速度快、信息量大、功能多。
目前，與“機器視覺技術”相關的圖書已有多種，各種版本各有所長，各有所取。本書正是以現在的多種版本為借鑒，同時又緊扣時代脈搏，盡可能地反映現代機器視覺技術的最新發展撰寫而成的。本書對機器視覺在工業、交通、農業、智能家居等各方面的應用給出了較多的案例，每一個案例從背景、目標、方法和實驗結果進行了具體分析，旨在給相關人員研究機器視覺技術提供有效的參考。
本書共17章，前3章為基礎理論，後13章為機器視覺在工業、交通和其他領域的應用實例，最後1章為未來發展趨勢預測。前3章介紹了機器視覺的發展歷史、定義、系統構成和平臺組成；第4章～第16章分析討論了13個具體應用案例，有Delta並聯機器人機器視覺動態分揀、3-PPR平面並聯機構視覺伺服精密對位、關節臂式機器人3D視覺智能抓取、工件表面缺陷視覺檢測、工件尺寸視覺測量、鐵路貨車超限監測、高速列車弓網異常狀態檢測、車站客流安全智能監控、高鐵牽引變電所絕緣子異常狀態識別、高速列車接觸網狀態巡檢、基於人臉識別的智能窗簾、基於機器視覺的茶葉嫩芽識別方法、基於機器視覺的車牌識別系統；第17章對機器視覺的發展進行了展望。
本書由宋春華、張弓、劉曉紅等編著，由宋春華對全書進行統稿。其中，西華大學宋春華和中國科學院深圳先進技術研究院廣州先進技術研究所張弓共同完成了第1章、第2章、第3章；廣州先進技術研究所張弓完成了第4章、第5章、第6章和第17章；廣州先進技術研究所楊根完成了第7章、第8章；西南交通大學劉曉紅和西華大學宋春華共同完成了第9章、第10章、第11章、第12章、第13章；西華大學宋春華完成了第14章、第15章、第16章。全書是在各位作者的通力合作下完成的。
特別感謝韓國漢陽大學教授、韓國工程院院士、中國國家高層次人才計劃入選者韓彰秀為本書作序。感謝西華大學機械工程學院碩士生程川、王鵬、孟令方、邸銀浩參加了本書的校對工作。感謝西南交通大學肖世德教授、權偉副教授、程學慶副教授、金煒東副教授，太原理工大學張興中教授，西南交通大學碩士生孫麗麗、劉可敬、鄭丹陽、吳鏡鋒，天津大學碩士生喬佳、太原理工大學碩士生潘哲對本書編寫的大力支持。本書在編寫過程中，參考了大量的資料，在此向書中所列參考文獻的作者表示衷心的感謝！
由於編著者水平所限，書中定有欠妥之處，敬請讀者批評指正。

編著者
2022年1月

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 國內機器視覺現狀 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　機器視覺系統與平臺 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 機器視覺平臺 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 並聯平臺的結構與原理 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 基於遷移學習的卷積神經網絡 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

第10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
10.4.1 YOLO網絡模型 126
10.4.2 YOLO v4目標檢測模型 127
10.4.3 YOLO 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
10.5.1 YOLO 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

第11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 運動目標追蹤算法 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 旅客檢測追蹤算法結果 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

第12章　高鐵牽引變電所絕緣子異常狀態識別 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 深度學習在絕緣子圖像中的應用 165
12.4.3 絕緣子檢測算法 166
12.4.4 絕緣子檢測評價指標 170
12.4.5 絕緣子故障識別評價指標 171
12.5 實驗結果分析 172
12.5.1 絕緣子檢測結果分析 172
12.5.2 絕緣子故障識別結果分析 174
本章小結 176
參考文獻 176

第13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
第14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

第15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
15.3.1 YOLO 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

第16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
第17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