机器视觉与数字图像处理教程 教学大纲

《机器视觉与数字图像处理教程》课程教学大纲适用专业：智能控制技术、自动化、工业互联网技术、机器人工程、电子信息工程等总学时：64学时（理论32+实验32）教材：《机器视觉与数字图像处理教程》一、课程定位与教学任务课程定位：多学科交叉的“新工科”核心课本课程是智能控制技术、自动化、工业互联网技术、机器人工程、电子信息工程等专业的专业核心课程，属于典型的多学科交叉课程。它上承《Python程序设计》、《线性代数》等基础学科，下接《工业机器人应用》等综合应用学科，起着从基础理论向工程应用转化的关键桥梁作用。课程顺应“工业4.0”与“中国制造2025”的产业需求，重点解决智能制造行业中“机器之眼”的感知与决策问题。依据“光、机、电、算”一体化的逻辑，旨在通过系统讲授机器视觉成像机理、图像处理基本算法及深度学习模型，培养学生构建视觉系统、开发数字图像处理算法及解决工业现场实际问题的能力。课程强调从理论到实践的转化，致力于构建从图像采集前端到智能决策后端的完整技术闭环，在智能制造人才培养体系中起着承上启下的关键支撑作用。教学任务与人才培养目标本课程旨在通过理论讲授与项目实战的深度融合，达成以下教学任务：1）构建工程思维：培养学生根据工业现场环境如光照环境、检测目标材质、检测精度等要求，独立进行视觉系统硬件选型与方案设计的能力。2）掌握视觉处理核心技能：使学生掌握典型数字图像处理和深度学习的基本方法，能够在实际工作中灵活应用各类算法并解决工业现场中四大典型任务——识别、测量、检测、定位与引导

。3）提升综合素养：在解决实际工程问题的过程中，培养学生严谨的逻辑思维、精益求精的工匠精神以及基于数据驱动的创新解决问题的能力，为学生未来胜任机器视觉算法工程师、视觉应用开发工程师、智能制造系统集成工程师等高新技术岗位奠定坚实的专业基础。二、课程内容与教学要求第1章机器视觉概述教学内容：1.视觉简介：人类视觉与机器视觉的对比，视觉研究发展。2.机器视觉技术发展历程与现状：从模拟到数字，从传统算法到深度学习的演进。3.机器视觉系统构成：解析光源、工业镜头、工业相机、工控机、图像采集卡及执行机构的功能。4.主要功能与应用：识别、测量、检测、定位与引导的应用场景。重点难点：机器视觉系统的硬件架构搭建逻辑；不同应用场景下视觉系统的差异。课程思政

：结合“机器视觉的发展趋势”，介绍我国在智能制造领域的战略布局。通过展示国产视觉品牌（如海康威视、大恒科技等）的市场突破，激发学生的民族自豪感与科技报国的使命感。第2章光源系统的认知与选择教学内容：1.光学基础：光的反射、折射、散射原理，光颜色与物体颜色的关系。2.照明方式：各种照明方式的成像差异及典型应用。3.常见光源选型：环形光源、条形光源、同轴光源、穹顶光源的特性与适用场景。重点难点：根据被测物材质（高反光/漫反射/透明）设计打光方案，避免由光源引起的图像噪点；光源选型。第3章工业镜头的认知与选择教学内容：1.成像原理：小孔成像与透镜成像规律。2.核心参数详解：焦距、视场角（FOV）、工作距离（WD）、景深（DOF）、畸变等。3.镜头选型：工业镜头的分类，镜头与相机的接口匹配（C/CS口），选型计算公式。重点难点：焦距与视场角的计算关系；景深与光圈的权衡；远心镜头在精密测量中的应用价值。第4章工业相机的认知与选择教学内容：1.工业相机成像机理：CCD与CMOS传感器的结构与光电转换原理。2.工业相机主要参数：分辨率、帧率、靶面尺寸、快门等。3.工业相机分类与选型：CCD相机/CMOS相机、线阵相机/面阵相机、彩色相机/黑白相机等；工业相机选型策略。重点难点：运动物体拍摄中的拖影问题与快门选择；根据项目任务、项目精度要求等进行相机选型。课程思政：在讲解“相机成像原理”时，引入芯片制造的背景知识，分析我国在高端传感器领域的“卡脖子”现状，激励学生树立攻坚克难、致力底层技术创新的科研精神。第5章数字图像基础教学内容：1.基本概念：模拟图像与数字图像，采样与量化，像素与分辨率。2.环境搭建：Python语言基础，JupyterNotebook与OpenCV库的安装配置。3.图像表示：颜色空间（RGB,HSV等）及其通道分离与合并；图像文件的读取、显示与保存。重点难点：多维数组在图像处理中的操作逻辑；OpenCV图像基本操作。第6章数字图像处理典型操作教学内容：1.图像增强：灰度变换直，方图均衡化，图像平滑（均值/中值滤波），图像锐化。2.图像代数运算：图像加法，图像减法，图像乘法，图像除法。3.几何变换：图像的平移、旋转、缩放、仿射变换。4.边缘检测：Sobel算子、Laplacian算子、Canny边缘检测算法。5.形态学运算：腐蚀、膨胀、开运算、闭运算。重点难点：图像边缘检测及其应用；形态学运算及其应用。课程思政：结合“平滑滤波”，阐述“去噪”与“保边”的矛盾关系，引导学生运用辩证唯物主义观点看待技术指标的权衡，培养全面、辩证的工程思维。第7章卷积神经网络与深度学习教学内容：1.神经网络基础：人工神经元模型，感知器，激活函数，反向传播（BP）算法。2.CNN结构：卷积层（特征提取）、池化层（降维）、全连接层（分类）。3.经典网络：AlexNet,VGG,ResNet等典型结构解析。4.应用流程：数据集制作（标注）、模型训练、评估指标（准确率/Loss）、手写数字识别实战。重点难点：卷积核的工作机制；过拟合的现象与抑制方法；梯度下降法的理解。课程思政：结合“人工智能与神经网络”，探讨AI技术发展带来的隐私保护与算法伦理问题，教育学生坚守工程伦理，坚持“科技向善”，开发负责任的AI应用。第8章产品识别教学内容：1.CogPMAlignTool、CogToolBlock、CogCreateGraphicLabelTool等工具的使用。2.电池正反面识别与结果显示。3.工件图形识别与数量统计。重点难点：模板匹配在旋转、缩放情况下的局限性；复杂背景下的目标识别。第9章产品尺寸测量教学内容：1.CogFixtureTool、CogCaliperTool、CogFindCircleTool、CogDistancePointPointTool、CogDistanceCircleCircleTool等工具的使用。2.零件指定区域宽度测量与结果现实。3.零件圆孔半径、圆心距测量与结果现实。重点难点：亚像素级边缘定位技术；坐标系转换和对齐；测量误差来源分析。课程思政：结合测量任务，强调工业级测量对精度的极致追求（如0.01mm误差控制），培养学生严谨治学、精益求精的工匠精神。第10章产品缺陷检测教学内容：1.CogHistogramTool、CogResultsAnalysisTool、CogImageConvertTool、CogIPOneImageTool、CogIPTwoImageSubtractTool、CogBlobToolCogCreateCircleTool及CogSearchMaxTool等工具的使用。2.缺陷检测的常见类型（划痕、污点、破损）及算法思路。3.零件与陶瓷釉面瑕疵检测与标识。4.胶囊药品瑕疵检测。5.胶囊药品完整性检测与标识。重点难点：缺陷检测常用处理方法；不规则缺陷特征的提取；复杂背景下的目标识别与目标分割。课程思政：通过“胶囊药品完整性检测”章节内容介绍，强调产品质量检测特别是医药检测直接关系人民生命健康，强化