人工智能應用開發(fā)：基于機器人平臺的項目實踐

第1章　人工智能應用開發(fā)概述 001 1.1　人工智能技術(shù)的發(fā)展 002 1.2　新一代人工智能技術(shù)體系 003 1.3　人工智能技術(shù)的應用 004 1.3.1　大數(shù)據(jù)應用 005 1.3.2　機器視覺 005 1.3.3　語音處理 005 1.3.4　自然語言處理 006 1.4　嵌入式人工智能 007 1.5　人工智能對社會的影響 007 第2章　智能車平臺 009 2.1　智能車硬件組成 010 2.1.1　嵌入式樹莓派微型電腦 011 2.1.2　直流電機及控制 013 2.1.3　超聲波測距 014 2.1.4　紅外避障模塊 016 2.1.5　循跡模塊 017 2.1.6　攝像頭 018 2.1.7　語音處理設備 018 2.2　智能車應用開發(fā)入門 019 2.2.1　樹莓派開發(fā)環(huán)境 019 2.2.2　基于Python的智能車控制 022 2.2.3　基于C/C++的智能車控制 025 第3章　人工智能應用開發(fā)框架 029 3.1　TensorFlow開發(fā)環(huán)境介紹 030 3.2　TensorFlow開發(fā)環(huán)境搭建 030 3.2.1　在樹莓派上安裝TensorFlow 031 3.2.2　在Ubuntu上安裝TensorFlow 031 3.3　TensorFlow編程 037 3.3.1　TensorFlow的編程模型 038 3.3.2　TensorFlow的神經(jīng)網(wǎng)絡模型 040 3.3.3　卷積神經(jīng)網(wǎng)絡及應用 046 3.3.4　TensorFlow的高層封裝 054 第4章　機器視覺應用開發(fā) 060 4.1　OpenCV開源視覺庫編程 061 4.1.1　OpenCV開發(fā)環(huán)境的搭建 062 4.1.2　實踐項目 068 4.2　基于Dlib庫的人臉識別 077 4.2.1　Dlib庫的安裝 077 4.2.2　實踐項目 078 4.3　基于YOLO V3的實時目標檢測 092 4.3.1　深度學習和YOLO V3簡介 093 4.3.2　訓練自己的數(shù)據(jù)集 093 第5章　語音識別應用開發(fā) 111 5.1 語音識別應用框架 112 5.1.1 語音識別常用算法 113 5.1.2 語音識別設備 117 5.1.3 本地語音識別與云端語音識別 118 5.2 基于Sphinx的本地語音識別 119 5.2.1 Sphinx軟件包的安裝 119 5.2.2 語料庫的訓練 121 5.2.3 聲卡安裝使用 123 5.2.4 源碼示例 127 5.3 基于科大訊飛的語音識別 134 5.3.1 科大訊飛的語音識別框架及產(chǎn)品分類 134 5.3.2 用科大訊飛API實現(xiàn)本地語音文件識別 135 5.3.3 用科大訊飛實現(xiàn)離線語音識別 138 5.4 基于百度智能云的語音識別 142 5.4.1 基于百度云平臺的語音識別方案 142 5.4.2 百度云語音識別的系統(tǒng)設計 142 5.4.3 百度云語音識別算法調(diào)用 144 5.4.4 云語音算法模型的訓練 145 5.4.5 云語音應用 146 5.5 應用實例——智能車的語音控制 150 5.5.1 語音識別應用框架系統(tǒng)分析 150 5.5.2 機客戶端功能及模塊化分 151 5.5.3 樹莓派智能車服務端功能及模塊劃分 152 5.5.4 TCP傳輸協(xié)議 153 5.5.5 語音識別應用開發(fā)環(huán)境的搭建 156 5.5.6 語音識別應用開發(fā)實例 180 第6章　基于腦機接口的智能車控制 184 6.1 腦機接口簡介 185 6.1.1 腦機接口的用途 185 6.1.2 腦機接口的原理 186 6.2 腦機接口硬件設計 187 6.2.1 信號采集 188 6.2.2 信號傳輸與處理 189 6.3 基于腦機接口的智能車控制 192 6.4 腦機接口應用拓展 199 參考文獻 200