视觉人工智能基础

1.具体讲解人工智能视觉检测前沿技术的基本问题及其相关处理技术，具有很好的学术价值和市场前景2.涵盖视觉检测领域多个应用场景，通过实例分析讲解技术要点3.从基本原理到检测分析，由浅入深，适合不同层次读者的阅读需求

本书系统介绍了人工智能视觉检测领域的基础理论、关键技术与典型应用，内容涵盖图像采集原理、图像与视频处理方法、视觉检测中的数学工具、图像预处理技术，以及神经网络与深度学习模型在视觉检测中的工程化应用。全书共八章，从底层成像机制到高层智能分类技术，再到实际行业应用，构建了完整的人工智能视觉技术体系。本书内容由浅入深，循序渐进，重点介绍了计算机视觉在医学图像分析、工业产品质量检测等场景中的落地应用，同时对多模态视觉、边缘部署、迁移学习、视觉数据标注等前沿方向进行了系统性阐述。具体章节包括视觉检测中的图像采集技术、图像与视频处理工具、基础数学方法、图像预处理与增强、深度学习在视觉中的实现流程、数据标注与处理方法、主流神经网络模型及其在分类任务中的应用，以及视觉检测在医疗、工业等多个领域的实践案例。本书内容注重理论联系实际，在保持专业系统性的同时，辅以大量实例、工具推荐和关键技术解析，可作为从事人工智能视觉检测、图像分析、工业视觉系统开发等领域工程技术人员的重要参考资料，也适合高等院校计算机、人工智能、自动化、信息工程等专业师生教学使用。本书对相关研究人员、研发工程师以及有志从事视觉人工智能工作的初学者具有较高的参考价值和实践指导意义。

郏东耀北京交通大学教授、博士生导师，大数据与智慧测控研究中心主任。主要科研方向为数据科学与工程、视觉人工智能、深度学习新理论及其应用，发表学术论文100余篇。曾主持或参与国家863计划重大项目、国家自然科学基金重大项目、国家科技支撑计划项目等。

第1章 视觉检测中的图像采集技术0011.1 成像基本原理0021.1.1 人类视觉系统0021.1.2 小孔成像原理0031.1.3 透镜成像原理0051.1.4 计算机视觉常用参数0081.1.5 影响成像质量的因素0091.1.6 常见仪器的光学成像原理0091.2 图像及视频采集方法0131.3 CMOS 和CCD 技术0141.3.1 CMOS 图像技术0141.3.2 CCD 图像技术0161.4 光谱成像技术在视觉检测中的应用0181.4.1 高光谱成像0181.4.2 高光谱和多光谱的区别0231.5 其他先进的图像采集方法0261.5.1 X 射线成像0261.5.2 扫描电子显微镜0281.5.3 全息投影技术0291.5.4 核磁共振0301.5.5 计算机断层扫描0311.5.6 超声成像（Ultrasound Imaging） 0331.6 本章小结034第2章 视觉检测中的图像与视频处理技术0352.1 常用的视频及图像软件0372.1.1 ImageMagick：图像处理领域的强大利器0392.1.2 ImageJ：图像处理领域的得力助手0412.1.3 OpenCV：计算机视觉领域的开源瑰宝0462.1.4 GIMP：开源图像编辑领域的璀璨之星0512.1.5 Blender：开源3D 创作的全能利器0552.2 专用开发工具及环境0592.2.1 Python：图像及视频处理领域的得力编程助手0622.2.2 TensorFlow 与PyTorch：深度学习图像视频处理的双雄0682.2.3 FFmpeg：强大的多媒体处理利器0722.3 图像处理软件的未来发展趋势0782.4 本章小结084参考文献085第3章 视觉检测中的数学基础0873.1 线性代数基础工具与方法0883.1.1 标量0883.1.2 向量0893.1.3 矩阵0903.1.4 张量0913.1.5 张量算法的基本性质0923.1.6 降维0933.1.7 点积（Dot Product） 0953.1.8 矩阵-向量积0953.1.9 矩阵-矩阵乘法0963.1.10 范数0973.2 概率与数理统计在视觉检测中的应用0983.2.1 概率0993.2.2 基本概率论1003.2.3 处理多个随机变量1023.2.4 期望和方差1053.3 微积分工具及其在视觉检测中的应用1053.3.1 常见的图像处理工具1073.3.2 各种工具的优缺点1153.4 离散数学工具在视觉检测中的作用1173.4.1 常见的离散数学工具包1183.4.2 离散工具包的实际应用1213.5 本章小结123参考文献123第4章 视觉检测中的图像预处理技术1254.1 图像增强及锐化1264.1.1 直方图均衡化1264.1.2 小波变换图像增强算法1274.1.3 偏微分方程图像增强算法1284.1.4 分数阶微分方程增强算法1294.1.5 Retinex 图像增强算法1304.1.6 基于卷积的图像锐化算法1324.1.7 基于频域的图像锐化算法1324.2 直方图处理方法1334.2.1 直方图规定化1334.2.2 局部直方图处理1344.2.3 直方图拉伸1364.2.4 双直方图均衡化1374.3 图像变换域处理技术1384.3.1 主成分变换1384.3.2 小波变换1394.3.3 最小噪声分离变换1414.3.4 傅里叶变换1424.4 图像分割方法1444.4.1 基于阈值的图像分割1454.4.2 基于区域的图像分割1464.4.3 基于边缘的图像分割1474.4.4 基于聚类的图像分割1494.4.5 基于模型的图像分割1504.5 图像降噪技术1524.5.1 噪声的类型1524.5.2 图像降噪的基本原理1534.5.3 常见的图像降噪方法1544.5.4 图像降噪方法的性能评估1574.6 本章小结158参考文献158第5章 神经网络与深度学习在视觉检测中的应用1605.1 神经网络基础与视觉检测关联1615.1.1 神经网络的起源与发展1615.1.2 神经网络的基本结构1635.1.3 神经网络的工作原理1675.2 机器学习在图像处理中的作用1695.2.1 机器学习的定义与分类1695.2.2 监督学习1705.2.3 无监督学习1715.2.4 半监督学习1735.2.5 强化学习1755.2.6 机器学习的应用领域1775.3 深度学习在视觉检测方面的应用1795.3.1 深度学习的特点1795.3.2 卷积神经网络1845.3.3 循环神经网络1865.3.4 生成对抗网络1885.4 大模型及专用模型在视觉检测中的优化1905.4.1 大模型的架构与设计1905.4.2 大模型的训练策略1935.4.3 大模型的微调与优化1955.4.4 大模型的评估指标1975.4.5 专用模型的定制化架构1995.4.6 专用模型的领域适应性训练2005.4.7 专用模型的性能优势与局限性2025.5 本章小结204参考文献204第6章 视觉检测数据标注与处理方法2066.1 样本数据标注2076.1.1 样本数据标注概述2076.1.2 样本数据标注的重要性2086.1.3 样本数据标注方法与类型2116.1.4 标注质量控制2126.1.5 数据标注的难点与挑战2136.1.6 数据预处理与增强2156.1.7 应用案例与实际挑战2166.2 视觉数据标注2186.2.1 视觉数据标注概述2186.2.2 视觉数据标注的重要性2186.2.3 视觉数据标注的特点与标注需求2206.2.4 视觉数据标注的分类与应用场景2226.2.5 视觉数据标注的方法与工具2266.2.6 视觉数据标注应用案例2276.3 样本数据预处理2316.3.1 样本数据预处理的定义与重要性2316.3.2 数据清洗2326.3.3 数据转换2336.3.4 数据集拆分2356.3.5 数据增强2356.3.6 数据格式与存储2366.3.7 噪声与异常值处理2376.3.8 数据平衡2386.3.9 特征工程2396.4 样本数据扩充2416.4.1 样本数据扩充的定义与重要性2416.4.2 数据扩充技术概述2426.4.3 数据扩充的挑战2456.4.4 数据扩充的应用2466.4.5 数据扩充的未来发展趋势2476.5 本章小结249参考文献249第7章 基于神经网络的视觉检测分类技术2517.1 神经网络训练流程与优化方法2527.1.1 数据集准备2527.1.2 初始化参数2547.1.3 前向传播2557.1.4 计算损失2577.1.5 反向传播2597.1.6 参数更新2617.1.7 模型评估2627.2 卷积神经网络在视觉检测中的应用2647.2.1 卷积神经网络的思想2647.2.2 卷积层2667.2.3 池化层2687.2.4 激活层2697.2.5 全连接层2697.3 支持向量机算法在视觉检测中的应用与实践2707.3.1 支持向量机的原理2717.3.2 核技巧2727.3.3 决策函数2737.3.4 SVM 训练算法2737.3.5 SVM 的优缺点2767.4 K 近邻（K NN） 在视觉检测中的应用和实践2777.4.1 分类方法2777.4.2 K NN 的原理2787.4.3 K NN 的步骤2797.4.4 K NN 的优缺点2807.4.5 K NN 的改进方法2817.5 迁移学习在视觉检测分类中的实践2827.5.1 迁移学习的概念2837.5.2 迁移学习的分类2837.5.3 迁移学习的方法2897.5.4 概念漂移2927.5.5 零次学习和一次学习2947.6 本章小结295参考文献295第8章 视觉检测的典型应用领域2978.1 医疗影像分析2988.1.1 医疗影像分析概述2988.1.2 计算机视觉在医学图像中的应用2988.1.3 深度学习在医疗影像中的突破3008.1.4 典型应用案例3018.1.5 持续改进与面临的挑战3038.2 产品质量检测3048.2.1 产品质量检测的传统方法与限制3048.2.2 计算机视觉在产品质量检测中的应用3058.2.3 深度学习与人工智能在产品质量检测中的创新3068.2.4 自动化检测系统的集成与优化3078.2.5 典型应用案例3088.2.6 面临的挑战与前景3098.3 未来应用展望3108.3.1 视觉人工智能在新兴行业中的潜力3108.3.2 多模态视觉AI 的兴起3128.3.3 边缘计算与云计算结合的未来3138.3.4 可解释性与透明度3148.3.5 视觉检测中的数据问题3158.3.6 未来视觉检测技术的应用展望3168.4 本章小结317参考文献318