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...
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