《机器视觉基础原理与实践应用》系统阐述机器视觉技术体系，涵盖基础理论、硬件构成、核心算法及行业应用。首先，解析了机器视觉工作原理、产业链图谱及工业相机、镜头、光源的选型方法；其次，深入探讨图像分类（主动学习）、目标检测与跟踪、图像分割（经典算法与深度学习）、缺陷检测（汽车漆面/玻璃/锂电池）等关键技术，以及Transformer、GAN等前沿模型；最后聚焦汽车工业（特征识别/视觉引导）、物流（分拣/AMR感知）、农业等场景的实践方案。全书以“理论-技术-实践”为主线，突出工业缺陷检测、双目视觉等工程痛点，为读者提供从硬件配置到算法部署的全链路知识。 本书适合工业自动化、算法研发等方向的技术人员阅读，也可以作为高校计算机、智能制造等相关专业的教材使用。

第1章 机器视觉概述 001 1.1　机器视觉的基础知识 002 1.1.1　机器视觉技术的工作原理 002 1.1.2　机器视觉技术的发展历程 004 1.1.3　机器视觉系统的关键部分 006 1.1.4　机器视觉技术的发展趋势 008 1.2　机器视觉产业链图谱 010 1.2.1　典型机器视觉系统组成 010 1.2.2　机器视觉产业链分析 011 1.2.3　国外机器视觉主流厂商 014 1.2.4　国内机器视觉主流厂商 015 1.3　双目立体视觉系统原理 017 1.3.1　双目视觉的视差与深度 017 1.3.2　双目相机的相关坐标系 018 1.3.3　双目相机的畸变系数 020 1.3.4　双目相机的标定方法 021 1.3.5　双目立体匹配的算法 023 第2章 机器视觉的硬件系统构成 026 2.1　工业相机的类型与选型参数 027 2.1.1　工业相机的类型划分 027 2.1.2　工业相机的主要参数 029 2.1.3　工业相机的选型步骤 031 2.2　工业镜头的分类与主要参数 032 2.2.1　根据有效像场划分 032 2.2.2　根据镜头焦距分类 032 2.2.3　根据接口类型划分 033 2.2.4　特殊用途的工业镜头 034 2.2.5　工业镜头的主要参数 034 2.3　工业光源的类型与选型技巧 039 2.3.1　影响光源选择的因素 039 2.3.2　工业光源的照明设计 040 2.3.3　LED光源的特点与类型 041 2.3.4　光源的选型技巧与要点 045 第3章 基于主动学习的图像分类 047 3.1　主动学习图像分类的基础知识 048 3.1.1　主动学习的概念与框架 048 3.1.2　主动学习图像分类方法 049 3.1.3　图像数据预处理的方法 050 3.1.4　样本的选择策略与设计 051 3.2　基于模型驱动的图像分类算法 052 3.2.1　基于深度学习的模型 052 3.2.2　基于生成对抗网络 056 3.2.3　基于深度强化学习 057 3.2.4　基于Transformer结构 058 3.3　基于数据驱动的模型分类算法 059 3.3.1　基于图像增广的分类算法 059 3.3.2　基于特征插值的分类算法 063 3.3.3　基于数据分布的分类算法 064 3.3.4　主动学习图像分类面临的挑战 065 3.3.5　主动学习图像分类的研究方向 066 第4章 图像处理与识别技术 068 4.1　机器视觉的图像处理技术 069 4.1.1　图像采集 069 4.1.2　特征提取 071 4.1.3　图像预处理 072 4.1.4　图像增强 073 4.1.5　图像分割 074 4.1.6　图像压缩编码 076 4.1.7　图像复原 077 4.2　机器视觉的图像识别技术 078 4.2.1　图像识别原理与特点 078 4.2.2　图像识别的关键技术 080 4.2.3　基于机器视觉的机器人 082 4.2.4　机器人的视觉识别过程 084 4.3　机器视觉图像识别的方法 085 4.3.1　统计法 085 4.3.2　句法识别法 086 4.3.3　神经网络方法 086 4.3.4　模板匹配法 087 4.3.5　霍夫变换法 088 4.3.6　深度学习法 088 4.3.7　Blob分析法 092 第5章 目标检测与跟踪技术 094 5.1　基于深度学习的目标检测算法 095 5.1.1　运动目标检测图像处理及算法 095 5.1.2　基于候选区域的目标检测模型 096 5.1.3　基于回归的图像目标检测模型 099 5.1.4　基于Anchor-free的目标检测模型 101 5.2　视频目标检测与跟踪的方法 103 5.2.1　视频目标跟踪的基础知识 103 5.2.2　视频目标跟踪的应用场景 105 5.2.3　视频目标跟踪的运动模型 106 5.2.4　视频目标跟踪的特征提取 107 5.2.5　视频目标跟踪的模型更新 108 5.2.6　视频目标跟踪的数据集 109 5.3　视频目标跟踪的观测模型 111 5.3.1　基于子空间学习的跟踪算法 111 5.3.2　基于稀疏表达的跟踪算法 111 5.3.3　基于SVM的跟踪算法 112 5.3.4　基于相关滤波器的跟踪算法 112 5.3.5　基于分类网络的跟踪算法 114 5.3.6　基于双路网络的跟踪算法 114 第6章 机器视觉的图像分割技术 116 6.1　机器视觉图像分割的经典算法 117 6.1.1　基于阈值的图像分割方法 117 6.1.2　基于区域的图像分割方法 118 6.1.3　基于边缘检测的分割方法 119 6.1.4　基于聚类的图像分割方法 121 6.1.5　基于图论的图像分割算法 123 6.2　图像语义分割的应用场景 124 6.2.1　图像语义分割概述 124 6.2.2　应用1：自动驾驶 125 6.2.3　应用2：医学影像 126 6.2.4　应用3：视频解析 127 6.3　基于深度学习的医学图像分割 128 6.3.1　基于深度学习的图像分割算法 128 6.3.2　深度学习在医学影像分割中的应用 130 6.3.3　基于深度学习的脑部影像分割方法 131 6.3.4　医学图像分割的应用挑战与实践对策 133 第7章 机器视觉的缺陷检测技术 135 7.1　汽车漆面缺陷检测技术与应用 136 7.1.1　隧道式缺陷检测系统 136 7.1.2　机器人式缺陷检测系统 138 7.1.3　汽车漆面缺陷检测算法 138 7.1.4　机器人式漆面缺陷检测系统应用案例 140 7.2　玻璃表面缺陷检测技术应用 141 7.2.1　传统玻璃检测存在的问题 141 7.2.2　玻璃表面缺陷检测系统原理 142 7.2.3　机器视觉玻璃表面缺陷检测技术 143 7.3　锂电池缺陷检测技术与应用 144 7.3.1　锂电池缺陷检测与定位技术 144 7.3.2　锂电池缺陷图像分类技术 146 7.3.3　基于Qt Creator的检测平台 147 第8章 机器视觉的行业实践 149 8.1　机器视觉在汽车工业中的应用 150 8.1.1　机器视觉赋能智能工业 150 8.1.2　应用场景1：特征识别 151 8.1.3　应用场景2：视觉引导 154 8.1.4　应用场景3：尺寸测量 154 8.2　机器视觉在物流领域的应用 156 8.2.1　物流条形码读取 156 8.2.2　快递物流自动分拣 158 8.2.3　AMR机器人环境感知 160 8.2.4　仓储物流中的视觉应用 161 8.2.5　生产物流中的视觉应用 162 8.3　机器视觉在农业领域的应用 163 8.3.1　机器视觉在农业生产中的应用 163 8.3.2　机器视觉在农业机械中的应用 165 8.3.3　机器视觉在农业应用中的挑战 166 参考文献 168