表面缺陷視覺檢測的深度學習技術 鄭宏 9787307244481 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：武漢大學
物品所在地：中國大陸
原出版社：武漢大學
NT$305
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202410*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：表面缺陷視覺檢測的深度學習技術 ISBN：9787307244481 出版社：武漢大學 著編譯者：鄭宏 頁數：123 所在地：中國大陸 *此為代購商品 書號：1683793 可大量預訂，請先連絡。 內容簡介 本書是一本介紹利用深度學習方法進行表面缺陷視覺檢測的專著。主要包括基於深度學習的表面缺陷視覺檢測基礎、基於半監督式數據增廣方法和遷移學習的卷積神經網路分類方法、基於多尺度特徵學習網路的多尺寸表面缺陷檢測方法和基於注意力機制和特徵關聯網路的複合表面缺陷檢測方法等。 本書可供從事產品表面缺陷檢測的科研工作者和技術開發人員使用，也可作為相關專業本科生及研究生的學習參考用書。目錄 第1章 緒論1 1 概述 1 2 表面缺陷的常見分類 1 3 深度學習在表面缺陷檢測中的研究現狀 1 3 1 深度學習在表面缺陷檢測中的應用場景 1 3 2 基於深度學習的表面缺陷檢測難點及分析 1 4 本書主要內容和結構 1 4 1 主要研究內容 1 4 2 本書使用的表面缺陷數據集 1 4 3 本書組織結構 第2章 基於深度學習的表面缺陷檢測理論基礎 2 1 表面缺陷分類的深度學習基礎 2 1 1 基本要素 2 1 2 基本模型 2 1 3 損失函數 2 1 4 優化演算法 2 2 深度學習在表面缺陷檢測中的經典模型與架構 2 3 本章小結 第3章 缺陷樣本不均衡與少數類過採樣演算法 3 1 引言 3 1 1 經典少數類過採樣方法 3 1 2 存在的問題與不足 3 2 基於樣本分佈統計的加權過採樣 3 2 1 確定有效樣本集 3 2 2 基於樣本分佈計算過採樣數 3 2 3 生成新樣本 3 3 實驗結果與分析 3 3 1 UCI標準數據集測試結果 3 3 2 PlantVillage數據集測試結果 3 4 本章小結 第4章 聯合半監督數據增廣和遷移學習的小樣本表面缺陷分類 4 1 引言 4 1 1 數據增廣的定義 4 1 2 經典數據增廣方法 4 1 3 當前方法存在的缺陷和不足 4 2 小樣本驅動的卷積神經網路 4 2 1 半監督式數據增廣方法 4 2 2 遷移學習和待選CNN架構 4 3 SSDA普適性分析及CNN架構選擇 4 3 1 使用數據集和訓練策略說明 4 3 2 SSDA普適性分析 4 3 3 CNN架構選擇 4 4 本章小結 第5章 面向多尺寸表面缺陷分類的多尺度特徵學習網路 5 1 引言 5 1 1 多尺寸表面缺陷的特徵提取問題 5 1 2 經典CNN架構中感受野尺度的分析 5 1 3 目標檢測網路中的多尺度機制 5 2 基於雙模特徵提取器的多尺度特徵學習網路 5 2 1 雙模特徵提取器 5 2 2 多尺度特徵學習網路 5 2 3 加速網路訓練的設計細節 5 3 MSF-Net的高效性和準確性評估 5 3 1 對比網路介紹 5 3 2 使用數據集介紹 5 3 3 網路訓練效率評估 5 3 4 多尺度數據集分類表現評估 5 4 本章小結 第6章 複合表面缺陷與基於注意力機制的特徵關聯網路 6 1 引言 6 1 1 複合表面缺陷與多標籤分類問題 6 1 2 基於深度學習的多標籤分類方法回顧 6 2 基於注意力機制的特徵關聯網路 6 2 1 特徵提取模塊 6 2 2 多標籤特徵分離模塊 6 2 3 特徵抑制與激活模塊 6 2 4 多標籤特徵關聯學習模塊 6 3 FAR-Net性能評估與模塊分析 6 3 1 模型訓練方法 6 3 2 多標籤缺陷數據集 6 3 3 FAR-Net性能評估 6 3 4 模塊討論與分析 6 4 本章小結 第7章 總結與展望 7 1 總結 7 2 未來研究展望 參考文獻 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
