Цифровые технологии обнаружения и контроля изображений -теоретические и примеры
Цена: 2 253руб. (¥106.6)
Артикул: 633829275131
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:友杰图书专营店
Адрес:Провинция Шаньси
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥ 120 962 029руб.
¥30.9653руб.
¥ 38 24.7522руб.
¥218.64 620руб.
В этой книге более подробно представлены технологии обнаружения и контроля изображений и ее экземпляры применения, которая направлена на предоставление технических идей и решений для разработки интеллектуального оборудования.В предыдущей статье «Технология обнаружения и управления изображениями» в основном представлены алгоритмы обработки изображений, профессиональные системы обработки изображений, вблизи спектральной визуализации и теорию автоматического управления, обычно используемые в интеллектуальном оборудовании.В следующей статье «Примеры применения» из трех аспектов экземпляра обнаружения изображений, ближнего инфракрасного спектра и технологии изображения с высоким спектрометром, экземпляров обнаружения изображений и управления, для подробных объяснений были выбраны 19 случаев.Эта книга имеет комплексный контент, передовые технологии, богатые примеры и близкие к практике. Технология.
Предыдущая технология обнаружения и контроля изображений
Глава 1 Алгоритм обработки изображений 001
1.1 Цветное изображение и серое изображение 001
1.1.1 Цветное изображение 001
1.1.2 серое изображение 002
1.1.3hsi Color Transformation 003
1.1.4c Языковая функция 005
1.2 Обнаружение края 008
1.2.1 Обработка края и изображения 008
1.2.2 Обнаружение краев на основе дифференциальных точек 010
1.2.3 Обнаружение краев на основе соответствия шаблонов 011
1.2.4 Оба обработки значений изображений с краями 013
1.2.5C Языковая функция 013
1.3 ДВОЙСКОЕ ОБРАЩЕНИЕ
1.3.1 Пороговая обработка изображения серого цвета 016
1.3.2 Метод модели Определите порог сегментации 017
1.3.3 Метод OTSU определяет порог деления 018
1.3.4 обработка двух -значений на основе разности в цвете 019
1.3.5 обработка с двумя значениями на основе дифференциала между кадрами 022
1.3.6C Языковая функция 024
1.4 Необеспеченное лечение 027
1.4.1 среднее значение 028
1.4.2 Фильтр среднего значения 028
1.4.3 Демонстрация изображений с двойным значением 029
1.4.4C Языковая функция 031
1.5 Обнаружение геометрических параметров 034
1.5.1 Параметры функций двух -значения изображения 034
1.5.2 Региональная марка 036
1.5.3 Извлечение объекта на основе параметров функций 037
1.5.4 Устранение шума на основе параметров функций 038
1.5.5C Языковая функция 039
1.6
1.6.1 Прямое обнаружение традиционного преобразования Хава 045
1.6.2.
1.6.3.
1.6.4c Языковая функция 049
1.7 Глубокое обучение 054
1.7.1 Основные концепции глубокого обучения 054
1.7.2 Общие методы глубокого обучения 057
1.7.3 Типичная структура сверточной нейронной сети 066
Глава 2 Система обработки профессиональной обработки 069
2.1 Общая система обработки изображений ImagesySys069
2.1.1 Введение 069
2.1.2 Основная функция системы 070
2.1.3 System Development Platform Sample084
2.2 Двумерная система анализа измерения изображений.
2.2.1 Введение системы 084
2.2.2 Основная функция системы 085
2.2.3 Платформа разработки системы mssample099
2.3 Система анализа измерения 3D движения MIAS3D099
2.3.1 Введение системы 099
2.3.2 Основная функция системы 100
2.3.3 Системы другие функции 106
Глава 3 Почти инфракрасный спектр и высокая спектральная визуализация 107
3.1 Рядом с INFRARED SPECTRUM 107
3.1.1 Введение в технологию обнаружения спектра в ближней области 107
3.1.2 Принципы обнаружения спектра, близкого к листам, 109
3.1.3 Процесс обнаружения и метод 116
3.2 Высокопроизводительный спектр 119
3.2.1 Профиль технологии спектральной визуализации 119
3.2.2
3.2.3 Процесс обнаружения и метод 128
3.3 Метод ближнего спектра и метод обработки данных высокой спектральной визуализации 132
3.3.1 Ряд -инфракрасный спектр и метод предварительной обработки визуализации с высоким спектром.
3.3.2 Метод выбора переменных функций.
3.3.3 Метод создания качественных и количественных моделей 144
Глава 4 Теория автоматического управления 153
4.1 Анализ системы управления 153
4.1.1 Основная концепция замкнутой системы 153
4.1.2 Математическая модель 157
4.1.3 Анализ временной области 177
4.1.4 Анализ частотной области 185
4.1.5 Анализ стабильности и анализа ошибок 194
4.2 Система управления управлением PID 209
4.2.1 Закон о контроле 209
4.2.2 Метод определения параметра управления 216
4.2.3 Используйте анализ моделирования PID от Matlab 228
4.2.4 Метод программирования Digital PID 231
4.3 Self -anti -Anti -control 234
4.3.1 Обзор Self -Anti -Anti -complexation 234
4.3.2 Адаптивное итеративное обучение ADRC Control 239
4.3.3 Анализ эксперимента по борьбе с дистанционным экспериментом и результатами 241
Следующий пример приложения
Глава 5 Пример обнаружения изображения 247
5.1 Параметр размера транспортного средства Параметр реального детектирования времени 247
5.1.1 Цели проекта и технические пункты 247
5.1.2 Системная схема 248
5.1.3 Схема обнаружения системы 249
5.1.4.
5.1.5 Обнаружение края автомобиля 254
5.1.6 Обнаружение цвета транспортного средства 260
5.1.7 Процесс обнаружения 261
5.1.8 Системные факторы Анализ 262
5.2 Создание кукурузных зерен в шипах 263
5.2.1 Цели проекта и технические очки 263
5.2.2 Оборудование и программная среда 264
5.2.3 кукурузные зерна в шипах 264
5.3 Познавление глаз для глаз для картофеля и реконструкция модели точечной модели 274
5.3.1 Проект и технические пункты 274
5.3.2 Исследование по распознаванию и расположению изображений и методом позиционирования картофеля картофельного картофеля 275
5.3.3 Метод реконструкции и модель прогнозирования качества исследования картофеля картофеля 285
5.3.4 Заключение исследования проекта 295
5.4 Количество распознавания изображений саранчи.
5.4.1 Цели проекта и технические очки 296
5.4.2 Коллекция изображений саранчи 297
5.4.3 Регулировка исходного изображения 297
5.4.4 Распознавание и подсчет саранчи на статическом изображении 303
5.5 Идентификация цели фруктового дерева на основе Machine Vision 314
5.5.1 Цели проекта и технические пункты 314
5.5.2. Состав системы и общий процесс обнаружения 315
5.5.3 Схема обработки изображений целевого фруктового дерева 316
5.5.4. Особенность короны целевого фруктового дерева. Экстракт 324
5.6 МИАО ГАРССКОЕ ОПИСАНИЕ 325
5.6.1 Фон проекта и цель 325
5.6.2 Быстрое распознавание урожая при условии прополки во время стадии рассады 326
5.6.3 Оба трехмерного алгоритма распознавания визуальной брокколи 332
Глава 6 Примеры применения инфракрасного спектра и технологии высокой спектральной визуализации 341
6.1 Метод обнаружения спектра в ближнем ход для степени яблочного сахара 341
6.1.1 Цели проекта и технические пункты 341
6.1.2 Схема проектирования устройств статического обнаружения 341
6.1.3 Подготовка и обнаружение образца Apple 344
6.1.4 Анализ данных статического сбора 347
6.1.5 Установка онлайн -динамической системы обнаружения 349
6.1.6 Проверка теста системы обнаружения онлайн 351
6.2 Метод обнаружения визуализации Maclatula. Содержание содержания хлорофилла в пшенице листья 353
6.2.1 Цели проекта и технические пункты 353
6.2.2 Высокая спектральная система визуализации 353
6.2.3 Подготовка тестового материала 354
6.2.4 Сбор данных лопастей пшеницы 354
6.2.5 Обработка и анализ данных 354
6.3 Исследование исследований по обнаружению ближних спектральных спектральных спектралов гетерогенной курицы 358
6.3.1 Цели проекта и технические пункты 358
6.3.2 Испытательные материалы и методы 358
6.3.3pse, DFD и вблизи обнаружения спектра вблизи -инфракрасного спектра нормальной курицы 361
6.3.4 Весь спектральный анализ и выбор длины волны функций 363
6.3.5 Различные полосы Multi -Spectromer Model Countise and Evaluation 365
6.4 Выявление визуализации с высоким спектром общего количества свиной бактерий 366
6.4.1 Цели исследования и технические пункты 366
6.4.2 Строительство системы высокой спектральной визуализации 366
6.4.3 Подготовка тестового материала 367
6.4.4 Обнаружение образца свинины 367
6.4.5 Спектральная экстракция и обработка целевой области 368
6.4.6 Свиная поверхность TVC Прогнозируемое создание модели и анализ 369
6.5 Анализ оптических характеристик роста и типов форм -колоний грибковых моноцикл 371
6.5.1 Тестовые материалы и процесс испытаний 371
6.5.2 Анализ характеристик роста моноцикулярных колоний Mildew 373 373
6.5.3 Особенности плесени Millylon Plouting вместе 376 376
6.5.4 Модели спроса на плесени Плохой плохие типы установлены 381
6.6 Видимо/почти -нфракрасная высокая идентификация с высоким спектром.
6.6.1 Материалы и методы 384
6.6.2 Результаты и анализ 386
6.6.3 Сравнение с обычными методами обработки изображений 388
6.7 Обнаружение содержания соевого белка на основе свежих куриных смягченных на основе технологии визуализации высокого спектра 391
6.7.1 Материалы и методы 391
6.7.2 Результаты и анализ 393
6.8 Винный виноградный спектр обнаружение изображения 400
6.8.1 Много -спектр винного винограда 400
6.8.2. Индикаторы обнаружения зрелости винограда и традиционные методы 402 402 402
6.8.3 Умнозированная обработка изображения и выбор индикатора 403
6.8.4 Умнозированное изображение R Компонент и отношения со зрелостью винограда Модель 406
Глава 7 Обнаружение изображения и экземпляр управления 408
7.1 Система визуального обнаружения и навигации сельскохозяйственных угодий 408
7.1.1 Цели и подготовки проекта 408
7.1.2 Обнаружение навигационной линии среды.
7.1.3 Обнаружение навигационного маршрута управления Waterfield 417
7.1.4 Операция по навигационному навигационному маршруту.
7.1.5 Операция сельскохозяйственных угодий визуальной навигационной системы 426
7.2 Выбор и направленное устройство позиционирования кукурузных зерен 429
7.2.1 Цель проекта 429
7.2.2. Структура устройства изображения Merglic Image Структура устройства и принцип работы 430
7.2.3 Дизайн удара устройства 431
7.2.4 Метод гранулярности динамического обнаружения 432
7.2.5 Алгоритм обнаружения изображений 435
7.2.6 Анализ результатов теста 438
7.3 Орел на основе бионического контроля избегания беспилотников 442
7.3.1 ПРИМЕНЕНИЕ ИССЛЕДОВАНИЯ И ЦЕЛЬ 442
7.3.2 Метод планирования кабинетов и динамического пути 442
7.3.3 Тест и анализ 450
7.3.4 Заключение 454
7.4 Визуальная навигация 455
7.4.1 Фон проекта и цель 455
7.4.2. Общее решение для визуальной навигационной системы.
7.4.3 Совместная машина для сбора урожая визуальная навигационная платформа дизайн 457
7.4.4 Исследование алгоритма обработки изображений на навигации по навигации по навигации.
7.4.5 Исследование алгоритма распознавания пути алгоритма распознавания пути совместной машины сбора урожая 466
7.4.6 Объединенный тест визуальной навигационной системы 472
7.5 Распознавание изображений и контроль изображения и контроль растений 478
7.5.1 Проект и технические баллы 478
7.5.2 Сбор изображений и предварительная обработка 479
7.5.3 Dopt Dishomatography, основанная на глубокой сверточной нейронной сети 480
7.5.4.
7.5.5 Метод управления дисплеем Диска 488
7.5.6 Заключение исследования 492
Ссылки 494
никто
Рекомендуемая рекомендация
1. Эта книга разделена на верхнюю и нижнюю часть.2. Предыдущая статья «Технология обнаружения и управления изображениями» объяснила алгоритм обработки изображений, профессиональную систему обработки изображений, ближний спектр и высокий спектр визуализации и теорию автоматического управления на основе рабочего процесса обнаружения и управления изображениями.3. Следующая статья «Пример приложения» суммирует примеры применения различных отраслей.4. Содержание этой книги расширено и близко к приложению, которое может предоставить профессиональное руководство для читателей с различными потребностями.
