课程描述：

机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

机器视觉是一项综合技术，包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术(图像增强和分析算法、图像卡、 I/O卡等)。一个典型的机器视觉应用系统包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块

本次培训将从机器视觉的基础深入到机器视觉的应用，深入浅出。

学习收获：

1.       熟悉机器视觉的基本原理与应用

2.       熟悉图像分类，目标检测，目标跟踪等基本应用开发方法

3.       掌握不同的机器视觉网络模型

4.       熟悉常见的机器视觉图像预处理方法

课程大纲：

机器学习与深度学习基础

1.人工智能产业发展与发展趋势

2.人工智能学习需要的技能

3.人工智能与运营商的关系

4.运营商常用人工智能应用分类

a)预测模型、分类模型、关联模型、交往圈模型及业务规则模型

5.模型构建的关键点

a)丰富的基础源数据

b)充分的探索性分析

c)做好数据预处理

d)目标变量界定清晰

e)基于业务解读模型结果

1.深度学习介绍

a)神经网络基本原理

b)深度学习DNN网络

c)深度学习CNN网络

d)深度学习LSTM网络

2.深度学习常用的框架-Keras，Tensorflow介绍

3.数据采样方法使用

4.深度学习应用场景

a)人脸识别

b)图像识别

c)语音识别

d)智能客服等

机器视觉综述

一、机器视觉课程导论

1.机器视觉基础概念

2.机器视觉相关学科

3.计算机视觉系统构成

4.机器视觉的技术范围

5.计算机视觉任务分类

6.机器视觉与人工智能的关系

7.机器视觉软硬件基础知识-光源

8.机器视觉软硬件基础知识-镜头

9.机器视觉软硬件基础知识-工控机

10.机器视觉软硬件基础知识-软件篇

11.机器视觉与人工智能的软硬件关系

二、机器视觉基础之-图像基础概念

1.图像基本概念

2.什么是图像处理

3.什么是图像分析

4.什么是图像识别

5.什么是图像理解

6.图像基本属性-色彩模式

7.图像基本属性-像素

8.图像基本属性-位图(Bigmap)与矢量图(Vector)

9.图像基本属性-格式

10.图像基本属性-亮度

11.图像基本属性-对比度

12.图像基本属性-直方图

13.图像基本属性-直方图均衡化

14.图像基本属性-加减运算

15.图像的噪声

三、机器视觉基础之-图像预处理

1.图像灰度变换

2.图像几何变换

3.图像降噪

4.图像增强

5.图像二值化

6. 图像边缘检测

7. 图像分割

8. 图像特征提取

  综合案例实践：基于OpenCV的车牌区域定位项目

  综合案例实践：基于OpenCV的图片视频马赛克处理项目

综合案例实践：基于OpenCV的美图秀秀

机器视觉应用之图像分类

一、图像分类综述

1.图像分类任务需求与应用介绍

2.图像分类竞赛与数据集-ImageNet与ILSVRC

3.图像分类算法对比：AlexNet，ResNet，Inception V3等

4.图像分类数据标注

5.Keras中与图像分类相关的包与类库介绍

6.图像分类评测指标

二、机器视觉图像分类综合实践项目：无人驾驶之-交通标志分类

1.无人驾驶AI应用与项目背景介绍

2.交通交通标志数据集分析

4.项目网络设计

a)Traffic SignNet网络架构设计

6.训练网络模型开发

7.优化器选择

8.损失函数设计

9.模型训练

10.使用模型对单张图片进行预测

11.模型保存

三、机器视觉图像分类综合实践项目：智慧零售-时尚服饰分类

1.智慧零售AI应用与项目背景介绍

2.fashion Data数据集分析，图像数据预处理

3.项目网络设计：ClothNet网络架构设计

4.训练网络模型开发

5.优化器选择

6.损失函数设计

7.模型训练过程可视化

8.使用模型对单张图片进行预测

9.模型保存

机器视觉应用之-目标检测

一: 课程介绍:主要介绍课程内容，知识点，课程涉及的案例，目标检测学习流程等

1.课程导学：

二: 目标检测项目入门: 本章节主要介绍目标检测算法的基本概念、通用需求；当前主流的one-stage、two-stage模型的基本流程、算法评价、优缺点对比等，并结合实践例子，帮助学习者，迅速建立目标检测类算法的知识体系。

1.目标检测项目通用需求介绍

2.目标检测项目难点

3.目标检测项目实施流程

4.目标检测项目常见模型

a)Two-stage模型：原理、流程、算法

b)One-stage模型：原理、流程、算法

c)One-stage与Two-stage对比

5.目标检测项目环境准备

6.测试

三：目标检测算法实践：Yolo系列-本章节主要讲解YOLO系列目标检测算法。包括了原理(算法基本流程、主干网络结构、设计思路)，常见的YOLOV1/V2/V3/9000、Anchor Boxes、Multi-Scale Training、Darknet-19网络、Darknet框架等，同时对比不同算法优缺点和模型性能。并且结合项目实践，帮助学习者，迅速掌握Yolo系列算法。

1.Yolo系列算法产生的背景

2.Yolo算法的优点

3.Yolo系列算法介绍

a)YoloV1

b)YoloV2

c)YoloV3

d)Yolo9000

e)Yolo系列算法对比

4.基于YoloV3的目标检测项目实战-物体检测

a)物体检测类项目需求介绍

b)开源数据集COCO介绍：数据标注，使用方法等

c)基于Keras与TensorFlow搭建YoloV3+DarkNet环境

d)使用DarkNet完成YoloV3模型训练

e)YoloV3模型测试

f)模型权重保存

g)模型优化介绍

5.测试题

四：目标检测算法实践：SSD系列-本章节主要讲解SSD系列目标检测算法。包括了原理(算法基本流程、主干网络结构、设计思路)，例如Default Box、多尺度特征图，同时对比不同算法优缺点和模型性能。并且结合项目实践，帮助学习者，迅速掌握SSD系列算法。

1.SSD系列算法产生的背景

2.SSD算法的优缺点

3.SSD系列算法介绍

a)SSD流程

b)Default box

c)多尺度特征图

d)SSD的训练过程

4.基于SSD的目标检测项目实战-物体检测

a)物体检测类项目需求介绍

b)开源数据集VOC数据介绍：数据标注，使用方法等

c)基于Keras与TensorFlow搭建SSD环境

d)SSD模型训练

e)SSD模型测试

f)模型权重保存

g)模型优化介绍

5.测试题

五：目标检测算法实践：Faster RCNN系列-本章节主要讲解Faster RCNN系列目标检测算法。包括了原理(算法基本流程、主干网络结构、设计思路，FCN网络等)，同时还介绍了Faster RCNN的变种网络，例如；HyperNet、RFCN、Light-Head RCNN、Mask-RCNN、Cascade RCNN、CoupleNet。并且结合项目实践，帮助学习者，迅速掌握Faster RCNN系列算法。

1.Faster RCNN系列算法产生的背景

2.Faster RCNN算法的优缺点

3.Faster RCNN系列算法介绍

a)Faster-RCNN算法原理

b)HyperNet算法原理

c)Mask-RCNN 算法原理

d)Cascade RCNN 算法原理

e)CoupleNet 算法原理

f)Light-Head RCNN

g)算法对比

4.基于Faster-RCNN的目标检测项目实战-驾驶场景中的物体检测

a)ADAS项目需求介绍

b)开源数据集Kitti介绍：数据标注，使用方法等

c)Kitti数据寄处理

d)基于Keras与TensorFlow搭建Faster-RCNN环境

e)Faster-RCNN模型训练

f)Faster-RCNN模型测试

g)模型权重保存

h)模型优化介绍

5.测试题

六：目标检测算法实践：文本检测系列-本章节主要讲解文本检测系列目标检测算法。包括了原理(算法基本流程、主干网络结构、设计思路，FCN网络等)，网络包括CTPN、RRPN、FTSN、DMPNet、EAST、SegLink、Pixel Link、Textboxes、Textboxes++等。并且结合项目实践，帮助学习者，迅速掌握文本检测系列算法。

1.文本检测系列算法产生的背景

2.文本检测系列算法介绍

a)CTPN算法原理

b)RRPN算法原理

c)FTSN算法原理

d)DMPNet算法原理

e)EAST算法原理

f)SegLink算法原理

g)Pixel Link算法原理

h)Textboxes、Textboxes++

i)算法对比

3.基于EAST的目标检测项目实战-自然场景的文本检测

a)自然场景的文本检测项目需求介绍

b)开源数据集ICDAR介绍：数据标注，使用方法等

c)Kitti数据寄处理

d)基于Keras与TensorFlow搭建EAST环境

e)EAST模型训练

f)EAST模型测试

g)模型权重保存

h)模型优化介绍

4.测试题