本项目采用YOLOv5实现垃圾分类目标检测。利用大量已标注目标检测数据集进行训练，对居民生活垃圾图片进行检测，找出图片中属于哪个类别的垃圾，并指示出在图片中的位置。 本工程YOLOv5使用PyTorch版的ultralytics/yolov5，在Windows系统上进行垃圾分类目标检测的项目演示。具体项目过程包括：数据集及格式转换、探索性数据分析（EDA）、安装软件环境、安装YOLOv5、修改YOLOv5代码(为支持中文标签）、训练集和测试集自动划分、修改配置文件、准备Weights&Biases训练可视化工具、训练网络模型、测试训练出的网络模型和性能统计。

2016年机器人方向的权威专题报告，此为第七部分：智能机器人系列报告之七--机器视觉全方位解读-未来之瞳

维视图像是一家基于机器视觉及数字图像处理技术的中国领先的工业数字图像采集产品、图像处理软件及机器视觉研究开发平台开发。

基于机器视觉的精准施药喷头移动机构设计说明.doc

为了快速有效地提取作物行, 提出了基于机器视觉的农田作物行检测方法。图像预处理过程中, 用中心线检测算法代替垂直投影法获得作物行信息; 直线检测中提出了一种基于随机方法的新算法。该算法首先在由图像定位点构成的数据空间中随机选取两个不同点, 这两点决定一条直线; 然后在一定的距离容忍度下, 得到一个沿直线方向的条形区域, 并在此区域内搜索定位点的个数; 最后根据阈值规则, 判断该直线的真实性。针对大量不同生长时期、不同光照条件下麦田图像的处理, 结果表明, 一幅图像的处理时间约为120 ms, 能够快速准确地提取作物行。对比该算法与霍夫变换和随机霍夫变换, 证实了它具有节省内存、速度快、抗干扰等优点。

《机器视觉算法与应用(双语版)》是一本关于机器视觉算法与应用的中英文对照版教材。而且附带有halcon代码，讲解十分详细！

机器视觉实验大师用于机器视觉应用(CCD,影像)的前期分析和实验, 并可以用来进行视觉应用,CCD检测或定位等自动化系统的产品夹具或定位装置的调整.主要特点如下: 1. 支持所有directshow工业相机,不管国产还是国外的工业相机; 2. 支持刻度尺和动态十字鼠标志; 3. 支持CVQL脚本语言, 实验不需要任何编程知识,尤其适用高校教学; 4. 提供动态窗口,.可以放大任意位置感兴趣的细节; 5. 提供镜头清晰度曲线, 可以对比不同镜头的清晰度; 6. 支持数字PK-LKX232光源控制器,实现自动控制光源亮度. 运行环境: Windows XP, Windows 7, Windows 8

提出了一种基于改进特征金字塔的Mask R-CNN目标检测方法。实验结果表明，在目标边缘和包围盒两项检测中，相比于Mask R-CNN检测框架，所提方法在不同的交并比阈值下的平均准确率分别提高了约2.4%和3.8%。尤其对于中等尺寸目标的检测准确率有较大的提高，分别为7.7%和8.5%，具有较强的稳健性。

针对抛光曲面工件表面缺陷检测的问题,提出了一种基于反射云纹图像的缺陷检测方法。该方法利用云纹光经抛光曲面反射产生的差异,通过检测云纹图像的变化进行缺陷的检测与定位。分析了抛光曲面的光照模型,使用SHEN-Castan算法抑制云纹边缘阶梯效应,通过Gabor变换与最大熵分割进行缺陷提取,剔除伪缺陷后实现缺陷的检测与定位。实验结果与统计表明,设计的方法能检测出抛光曲面表面上具有形变特征的缺陷,对不同类型的表面缺陷均有92%以上的检出率。利用所提的检测方法,可以自主设置系统的检测分辨率,对不同类型的缺陷具有较高的适应性,极大地提高了系统的可拓展性、普适性与实用性,较好地解决了高反射抛光曲面工件表面形变缺陷检测的问题,具有较高的理论价值与经济价值。

1. 使用迁移学习+集成学习的思想来实现对于常见水果的好坏进行分类，使用Pytorch官方基于imageNet所训练好成熟框架体系，选择了机器学习界十分流行的四大网络架构densenet， googlenet，resnet，efficientnet使用迁移学习的办法，只修改其输出层的相关参数,进行冻结训练，在迭代训练过10次之后，对模型进行了解冻训练，使其可以修改整个网络结构参数，让我们的网络结构更加的贴合我们实际所使用的分类图像，同时四个网络训练框架训练完成之后，采用集成学习的思想，将四个框架模型进行了集成得到了最终的网络架构 2. 同时为了提升数据的泛化性，对实验数据进行了随机的裁剪，色调调节，归一化标准化，随机放射变化等一系列图像的预处理和图像增广 3. 使用了PyQt工具包进行了应用拓展,可以使用网上自由选择一张图片来进行水果的识别. 4.训练过程中使用了tesorboard对训练集和验证集的参数进行记录,保存已经训练好的模型参数,最后测试模型时绘制多分类的ROC曲线,与混淆矩阵 5.文件有相关的代码,预训练好的模型,相关的文档,还有ppt,数据集,和使用说明