机器人智能视觉感知与深度学习应用

目　　录
推荐序
前言
第1章　绪论　1
1.1　机器人视觉感知系统　2
1.2　机器人视觉感知发展趋势　2
1.3　机器人视觉感知研究挑战　3
1.4　喷码识别系统应用实践　8
1.4.1　喷码检测方法概述　9
1.4.2　喷码识别系统需求分析　11
1.4.3　喷码识别系统硬件选型　12
1.4.4　基于轻量级Ghost-YOLO
模型的喷码识别　16
1.5　本章小结　30
第2章　机器人智能视觉感知系统
概述　31
2.1　机器人智能视觉感知系统组成　31
2.2　机器人智能视觉感知的主要
流程　37
2.3　机器人智能视觉感知的典型
应用　39
2.3.1　面向农业机器人的视觉感知概述　40
2.3.2　基于多模型融合的应用
实践　41
2.4　本章小结　49
第3章　深度学习技术概述　50
3.1　全连接神经网络　50
3.1.1　反向传播原理　52
3.1.2　全连接神经网络的缺点　53
3.2　卷积神经网络及其应用　53
3.2.1　神经网络的基本运算　54
3.2.2　神经网络的常用函数　58
3.2.3　模型融合　64
3.2.4　循环神经网络　66
3.2.5　集成学习理论基础　69
3.3　基于深度学习的视觉目标检测　70
3.3.1　两阶段算法　71
3.3.2　一阶段算法　71
3.4　基于深度学习的视觉目标跟踪　73
3.4.1　单目标跟踪　73
3.4.2　多目标跟踪　 74
3.5　本章小结　75
第4章　自然场景下文本检测与
识别　76
4.1　概述　76
4.2　基于图像分割的场景文本检测　81
4.2.1　特征提取网络　82
4.2.2　文本区域掩码标签的
生成　83
4.2.3　场景文本区域的检测　 84
4.2.4　文本区域的后处理算法　85
4.2.5　文本检测应用实践　87
4.3　基于序列的场景文本识别　92
4.3.1　场景文本特征序列的
提取　93
4.3.2　特征序列上下文信息
提取　95
4.3.3　转录层文本识别　98
4.3.4　文本识别网络　100
4.3.5　模型训练　101
4.3.6　文本识别应用实践　102
4.4　基于轻量级模型的喷码文本识别
系统　106
4.4.1　字符区域提取　107
4.4.2　字符文本处理　108
4.4.3　字符文本识别　109
4.4.4　字符文本识别应用实践　115
4.4.5　基于嵌入式系统的算法
设计与实现　121
4.4.6　系统运行测试　124
4.5　本章小结　125
第5章　视觉目标检测　126
5.1　目标检测系统概述　126
5.2　目标检测的相关概念　129
5.3　目标检测模型分类　133
5.4　数据获取与处理　135
5.4.1　数据预处理　136
5.4.2　数据标注　138
5.5　基于R-FCN的目标检测　140
5.5.1　R-FCN基本原理介绍　140
5.5.2　R-FCN算法的改进　146
5.5.3　目标检测应用实践　150
5.6　基于Mask R-CNN的目标检测　153
5.6.1　Mask R-CNN算法基本
原理　154
5.6.2　改进Mask R-CNN模型　157
5.6.3　Mask R-CNN应用实践　162
5.6.4　篮球以及球员检测系统
软件设计　164
5.7　本章小结　167
第6章　多目标跟踪　168
6.1　目标跟踪概述　168
6.1.1　单目标跟踪　168
6.1.2　多目标跟踪　171
6.1.3　多相机多目标跟踪　175
6.2　多目标跟踪系统构成　176
6.3　基于序列特征的多目标跟踪
方法　177
6.4　基于上下文图模型的单相机多目标
跟踪　184
6.4.1　图卷积神经网络的基础
知识　186
6.4.2　基于上下文图模型的单相机多球员跟踪　187
6.4.3　多目标跟踪应用实践　193
6.5　本章小结　199
第7章　图像语义分割　200
7.1　图像语义分割概述　200
7.1.1　图像分割算法的定义　200
7.1.2　传统的图像分割算法　200
7.1.3　基于卷积神经网络的图像
语义分割算法　204
7.2　基于自适应特征选择网络的遥感
影像语义分割　208
7.2.1　基于自适应特征选择
网络的遥感影像语义分割
算法　208
7.2.2　基于自适应特征选择网络的遥感影像分割应用实践　211
7.3　基于SU-SWA的区域分割　215
7.3.1　基于SU-SWA的区域分割
任务分析　215
7.3.2　基于SU-SWA的区域分割
方法　215
7.3.3　基于SU-SWA的区域分割
应用实践　219
7.4　本章小结　229
参考文献　230