书城首页 › 当代 › 工业 › 深度学习驱动的钢铁图像处理技术与实践
当代·工业

深度学习驱动的钢铁图像处理技术与实践

正版保障多仓发货48小时内发货2-3天送达可开发票
¥33.19 定价 ¥69.80 4.8折 立省 ¥36.61
现货库存 7 件 全新
商品参数
书名
深度学习驱动的钢铁图像处理技术与实践
作者
李维刚 著 著
出版社
华中科技大学出版社
出版时间
2025-08-01
ISBN
9787577221236
货号
1203883056
品相
全新
分类
当代·工业
购物车(0)
商品参数
书名
深度学习驱动的钢铁图像处理技术与实践
作者
李维刚 著 著
出版社
华中科技大学出版社
出版时间
2025-08-01
ISBN
9787577221236
货号
1203883056
品相
全新
分类
当代·工业
编辑推荐▼

本书聚焦机器视觉图像处理技术在钢铁行业的应用,详解人工智能、目标检测等前沿技术在钢铁缺陷分类、在线检测等场景的实践案例,实用价值与借鉴意义突出。无论是相关领域工程技术人员、研究者,还是行业管理者与高校师生,都能从中洞悉钢铁智能化生产的技术进展与应用前景,是该领域极具参考性的佳作。

目录▼

绪论(1)

0.1深度学习图像处理方法的发展历程(1)

0.2核心技术架构与典型方法(2)

0.3技术特性分析(3)

0.4钢铁行业应用现状(4)

0.5当前挑战(5)

0.6未来研究方向(6)

0.7本章小结(6)

第1卷基于深度学习的图像分类方法及应用

第1章深度学习理论基础(11)

1.1卷积和深度可分离卷积(11)

1.1.1卷积操作(11)

1.1.2深度可分离卷积(13)

1.1.3算力对比(13)

1.2自注意力机制(14)

1.3激活函数(15)

1.3.1Sigmoid函数(15)

1.3.2Tanh函数(15)

1.3.3ReLU激活函数(16)

1.4反向传播(17)

1.5正则化(约束)(18)

1.5.1Dropout(18)

1.5.2提前终止(19)

1.5.3范数惩罚(19)

1.6正则化(数据增强)(19)

1.6.1Cutout(20)

1.6.2Mixup(20)

1.6.3Manifold Mixup(21)

1.6.4CutMix(22)

1.6.5PatchUp(23)

1.7本章小结(24)

第2章数据集及标注方法(26)

2.1热轧带钢表面图像数据集(26)

2.1.1数据规模及缺陷分布(27)

2.1.2智能算法及数据标注(28)

2.2NEU-DET数据集(30)

2.2.1数据规模及缺陷分布(30)

2.2.2数据增强处理(31)

2.3本章小结(32)

第3章特征提取(33)

3.1基于CNN框架的模型:ResNet(33)

3.1.1残差理论(33)

3.1.2模型架构(34)

3.2基于Transformer框架的模型(40)

3.2.1ViT:视觉Transformer(40)

3.2.2Swin Transformer(41)

3.2.3Poolformer模型结构(42)

3.3本章小结(43)

第4章模型压缩(45)

4.1轻量化(45)

4.1.1基于ResNet模型的轻量化(45)

4.1.2基于Poolformer模型的轻量化(46)

4.2知识蒸馏(48)

4.2.1基于教师-学生的蒸馏框架(48)

4.2.2自蒸馏框架(50)

4.3本章小结(52)

第5章小样本学习(53)

5.1结合正则化的元伪标签方法(53)

5.2正则化方法(54)

5.3元伪标签(54)

5.4元学习(59)

5.5传导性微调(60)

5.6基于支持集样本的初始化(61)

5.7分类器微调(62)

5.8本章小结(64)

第6章提升鲁棒性的网络训练策略(65)

6.1鲁棒性训练方法(65)

6.1.1噪声选择(65)

6.1.2噪声数据集(67)

6.1.3鲁棒性优化算法(69)

6.2鲁棒性实验验证(70)

6.2.1轻量化残差网络在不同噪声下的网络性能对比(70)

6.2.2基于知识蒸馏的鲁棒性优化网络性能对比(71)

6.2.3不同等级噪声下的鲁棒性评估(74)

6.3本章小结(76)

第7章钢铁图像分类任务的应用实践(77)

7.1实战1:基于深度学习的带钢表面缺陷分类(77)

7.1.1实验配置(77)

7.1.2对比实验(77)

7.2实战2:基于模型压缩的带钢表面缺陷分类(79)

7.2.1实验配置(79)

7.2.2对比实验(80)

7.2.3消融实验(80)

7.3实战3:基于元伪标签的带钢表面缺陷分类(81)

7.3.1实验配置(81)

7.3.2对比实验(81)

7.3.3消融实验(83)

7.4实战4:基于元学习的带钢表面缺陷分类(84)

7.4.1实验配置(84)

7.4.2对比实验(84)

第1卷参考文献(86)

第2卷基于深度学习的图像目标检测方法及应用

第8章带钢表面缺陷检测与目标检测网络概述(91)

8.1带钢表面缺陷检测发展简史(91)

8.2基于深度学习的目标检测网络框架概述(93)

8.2.1两阶段目标检测算法(94)

8.2.2一阶段目标检测算法(98)

8.3YOLO系列算法在缺陷检测中的适用性分析(100)

8.4目标检测网络框架浅析(100)

8.4.1主干网络(101)

8.4.2颈部网络(101)

8.4.3检测头(102)

8.5本章小结(102)

第9章YOLO目标检测算法原理(103)

9.1YOLO系列算法的发展历程(103)

9.2YOLO系列算法的工作流程(104)

9.2.1YOLO V1算法(104)

9.2.2YOLO V2算法(107)

9.2.3YOLO V3算法(109)

9.2.4YOLO V4算法(112)

9.2.5YOLO V5算法(114)

9.2.6其他YOLO算法(117)

9.3YOLO算法的优缺点(118)

9.3.1YOLO算法的优点(119)

9.3.2YOLO算法的缺点(119)

9.4本章小结(119)

第10章YOLO目标检测算法改进方法(120)

10.1改进的思路与方向(120)

10.2加权K-means聚类理论(120)

10.3网络结构的改进(122)

10.3.1主干网络(122)

10.3.2多尺度特征融合(129)

10.3.3注意力机制(134)

10.3.4检测头(140)

10.4训练模型的改进(144)

10.4.1训练策略(144)

10.4.2推理加速(146)

10.4.3后处理方法(148)

10.5本章小结(149)第11章钢铁图像目标检测的应用实践(150)

11.1实验评价指标(150)

11.2实战1:基于改进YOLO V3的带钢表面缺陷检测(151)

11.2.1模型结构(151)

11.2.2实验环境与设置(153)

11.2.3消融实验(153)

11.2.4对比实验(156)

11.3实战2:基于改进YOLO V4的带钢表面缺陷检测(156)

11.3.1模型结构(156)

11.3.2实验环境与设置(157)

11.3.3消融实验(157)

11.3.4对比实验(161)

11.4实战3:基于改进YOLO V5的带钢表面缺陷检测(162)

11.4.1模型结构(162)

11.4.2实验环境与设置(163)

11.4.3消融实验(164)

11.4.4对比实验(165)

11.5本章小结(167)

第2卷参考文献(168)

第3卷基于深度学习的图像语义分割方法及应用

第12章钢材显微组织语义分割概述(175)

12.1研究背景和意义(175)

12.2钢材显微组织语义分割研究现状(177)

12.3钢材显微组织语义分割面临的挑战(179)

12.4本章小结(180)

第13章全监督语义分割(181)

13.1经典语义分割网络(181)

13.1.1FCN(181)

13.1.2U-Net(182)

13.1.3DeepLab(183)

13.2基于神经崩溃的困难样本学习方法(184)

13.2.1空洞空间金字塔池化全卷积网络(184)

13.2.2等角紧坐标系分类器(186)

13.2.3困难样本加权损失(187)

13.3本章小结(188)

第14章半监督语义分割(189)

14.1半监督语义分割方法(189)

14.2原型循环一致性学习方法(191)

14.2.1基于注意力机制的特征提取器(193)

14.2.2基于超像素的图卷积网络(195)

14.2.3原型循环一致性损失(196)

14.2.4交叉伪监督损失(197)

14.3本章小结(197)

第15章弱监督语义分割(198)

15.1弱监督语义分割方法(198)

15.2像素对自监督和超像素原型对比方法(200)

15.2.1生成类激活图(201)

15.2.2像素对自监督损失(203)

15.2.3超像素原型对比损失(205)

15.3本章小结(206)

第16章钢铁图像语义分割的应用实践(207)

16.1钢材显微组织数据集(207)

16.1.1公共数据集(208)

16.1.2自制数据集(209)

16.2实验评价指标(211)

16.3实战1:基于神经崩溃困难样本学习的显微组织全监督语义分割(212)

16.3.1实验配置(212)

16.3.2实验(212)

16.4实战2:基于原型循环一致性和交叉伪监督的显微组织半监督语义分割(218)

16.4.1实验配置(218)

16.4.2实验(218)

16.5实战3:基于像素对自监督和超像素原型对比的显微组织弱监督语义分割(221)

16.5.1实验配置(221)

16.5.2实验(222)

16.6本章小结(224)

第3卷参考文献(225)

文摘▼

本书主要介绍了基于深度学习的图像处理技术在钢铁行业中的应用及相关研究成果,列举了小样本、元学习、轻量化、知识蒸馏、半监督学习等前沿技术在钢铁缺陷分类、在线表面检测、钢材微观组织量化分析等典型场景中的具体应用案例,具有较高的实用价值和借鉴意义。

本书适合人工智能、自动化以及钢铁冶金行业的工程技术人员和研究人员阅读,也可作为相关专业的本科和研究生教材,并为致力于钢铁智能化生产的学者提供参考。此外,相关领域的管理者和高校师生也能从中深入了解基于深度学习的图像处理研究的最新进展与应用前景。

¥33.19
🛒购物车