机器视觉英语专用词汇
机器视觉作业 部分英文单词翻译与解释
第一次作业1、什麽是视觉?物体的影像刺激眼睛所产生的感觉。
（视力+知识）2、人类视觉通常包括那几个主要部分，各自的功能是什麽？晶状体，视网膜，视觉神经，大脑。
晶状体：调节焦距，接受处理光信号。
视网膜：将光信号转换为电信号。
有杆状细胞（暗细胞，感知明暗信息）和锥状细胞（明细胞，感知颜色信息）组成。
视觉神经单元：在眼内由视网膜节细胞发出的纤维组成，将电信号传至大脑。
大脑：对图像进行分析处理。
3、机器视觉通常包括那几个主要部分，各自的功能是什麽？光学镜头，光电传感器，适配器，A/D转换器，数字处理系统。
光学镜头：对外界的景物进行成像或者聚焦。
光电传感器：将图像信号转换换成连续的视频信号输出。
适配器：将输出的连续的电信号进行规划，使之满足后续处理的要求。
A/D转换器：将模拟信号转换成数字信号。
数字处理系统：对数字信号进行处理，使之成为满足要求的信号。
4、人类视觉与机器视觉各自的优缺点是什么？人类视觉：优点：处理速度快；处理能力强；对环境的响应能力强；成像分辨率高；较为灵活。
缺点：主观性强；耐疲劳能力弱；只能看见可见光；不能定量分析物体分布距离。
机器视觉：优点：能适应恶劣环境，耐疲劳；可识别更多的光谱，准确性高；控制简单；信息响应快速；尺寸测量、定量检测、三维形状测试方面强。
缺点：串行工作方式；对环境快速响应能力差；光学系统需要改进。
5、机器视觉涉及到那些学科的知识？机器视觉可在哪些领域应用？学科：光学，物理学，机械设计，自动控制原理，工程测试等。
应用领域：通信工程、遥感技术、医用图像处理、工业领域、军事公安、文化艺术等。
6、能否举2个机器视觉的应用案例？利用点视觉检测系统，在香皂包装机中，对香皂包装过程中的数量进行计数并控制。
鱼类产品的自动识别分类。
7、机器视觉检测技术与传统检测技术有何不同？能解决那些传统检测技术解决不了的问题？传统检测技术主要是利用结构光的检测方法，机器视觉检测主要是利用三维立体视觉检测方法。
机械专业英语词汇
机械专业英语词汇1.Manufacturing Technology：加工技术。
2.Friction：摩擦。
3.Automated Manufacturing：自动制造。
4.Turning：车削。
ling：铣削。
6.Grinding：磨削。
7.Machine Tool：机床。
8.Casting：铸造。
9.Forging：锻造。
10.Welding：焊接。
11.Brazing：钎焊。
12.Heat Treatment：热处理。
13.Pressure Die Casting：压铸。
C Machining：数控加工。
ser Cutting：激光切割。
16.NC Turning：数控车削。
17.NC Milling：数控铣削。
18.NC Grinding：数控磨削。
21.Robotic Machining：机器人加工。
22.Industrial Robots：工业机器人。
23.Robot Programming：机器人编程。
24.Robot Simulation：机器人仿真。
25.Robot Control：机器人控制。
26.Robot Navigation：机器人导航。
27.Robot Vision：机器人视觉。
28.Sensors：传感器。
29.Drive Technology：传动技术。
30.Actuator：执行器。
31.Transmission：传动。
32.Gearing：齿轮传动。
33.Coupling：联轴器。
34.Bearings：轴承。
35.AC Motors：交流电动机。
36.DC Motors：直流电动机。
37.Servo Motors：伺服电动机。
38.Pneumatics：气动。
39.Hydraulics：液压。
40.Automation：自动化。
41.Motion Control：运动控制。
42.PID Control：比例积分微分控制。
43.Control Systems：控制系统。
准确表达科技英语词汇大全
准确表达科技英语词汇大全科技英语词汇在当今社会的发展中扮演着重要的角色。
它涵盖了各个领域的专业术语，包括信息技术、生物技术、工程技术等等。
准确地表达科技英语词汇不仅有助于专业交流，还能使我们更好地理解和应用科技创新。
本文将为您提供一份科技英语词汇大全，旨在帮助您准确表达科技领域的各种概念和专业术语。
一. 信息技术1. Artificial Intelligence (AI) - 人工智能2. Big Data - 大数据3. Cloud Computing - 云计算4. Cybersecurity - 网络安全5. Internet of Things (IoT) - 物联网6. Machine Learning - 机器学习7. Augmented Reality (AR) - 增强现实8. Virtual Reality (VR) - 虚拟现实9. Blockchain - 区块链10. Cryptocurrency - 加密货币二. 生物技术1. Genetic Engineering - 基因工程2. DNA Sequencing - DNA测序3. Gene Therapy - 基因治疗4. Cloning - 克隆5. Stem Cells - 干细胞6. Biotechnology - 生物技术7. Genome Editing - 基因组编辑8. Genetic Modification - 基因修饰9. Bioinformatics - 生物信息学10. Bioprocessing - 生物加工三. 工程技术1. Renewable Energy - 可再生能源2. Robotics - 机器人技术3. Artificial Neural Networks - 人工神经网络4. Nanotechnology - 纳米技术5. 3D Printing - 3D打印技术6. Internet of Things (IoT) - 物联网7. Aerospace Engineering - 航空航天工程8. Civil Engineering - 土木工程9. Mechanical Engineering - 机械工程10. Chemical Engineering - 化学工程四. 医疗技术1. Telemedicine - 远程医疗2. Medical Imaging - 医学影像学3. Artificial Organs - 人工器官4. Biomedical Engineering - 生物医学工程5. Telehealth - 远程健康6. Medical Robotics - 医疗机器人7. Precision Medicine - 精准医学8. Bioinformatics - 生物信息学9. Health Information Technology - 健康信息技术10. Medical Devices - 医疗器械五. 计算机科学1. Programming - 编程2. Data Structures - 数据结构3. Algorithms - 算法4. Software Development - 软件开发5. Network Security - 网络安全6. Artificial Intelligence (AI) - 人工智能7. Machine Learning - 机器学习8. Computer Graphics - 计算机图形学9. Data Mining - 数据挖掘10. Computer Vision - 计算机视觉六. 电子工程1. Circuit - 电路2. Microcontroller - 微控制器3. Semiconductor - 半导体4. Integrated Circuits - 集成电路5. Signal Processing - 信号处理6. Power Electronics - 电力电子学7. Digital Signal Processing (DSP) - 数字信号处理8. Analog Electronics - 模拟电子学9. Electronic Components - 电子元器件10. PCB Design - PCB设计以上是一份科技英语词汇大全，涵盖了信息技术、生物技术、工程技术、医疗技术、计算机科学和电子工程等领域的专业术语和概念。
机器学习与人工智能领域中常用的英语词汇
机器学习与人工智能领域中常用的英语词汇1.General Concepts (基础概念)•Artificial Intelligence (AI) - 人工智能1)Artificial Intelligence (AI) - 人工智能2)Machine Learning (ML) - 机器学习3)Deep Learning (DL) - 深度学习4)Neural Network - 神经网络5)Natural Language Processing (NLP) - 自然语言处理6)Computer Vision - 计算机视觉7)Robotics - 机器人技术8)Speech Recognition - 语音识别9)Expert Systems - 专家系统10)Knowledge Representation - 知识表示11)Pattern Recognition - 模式识别12)Cognitive Computing - 认知计算13)Autonomous Systems - 自主系统14)Human-Machine Interaction - 人机交互15)Intelligent Agents - 智能代理16)Machine Translation - 机器翻译17)Swarm Intelligence - 群体智能18)Genetic Algorithms - 遗传算法19)Fuzzy Logic - 模糊逻辑20)Reinforcement Learning - 强化学习•Machine Learning (ML) - 机器学习1)Machine Learning (ML) - 机器学习2)Artificial Neural Network - 人工神经网络3)Deep Learning - 深度学习4)Supervised Learning - 有监督学习5)Unsupervised Learning - 无监督学习6)Reinforcement Learning - 强化学习7)Semi-Supervised Learning - 半监督学习8)Training Data - 训练数据9)Test Data - 测试数据10)Validation Data - 验证数据11)Feature - 特征12)Label - 标签13)Model - 模型14)Algorithm - 算法15)Regression - 回归16)Classification - 分类17)Clustering - 聚类18)Dimensionality Reduction - 降维19)Overfitting - 过拟合20)Underfitting - 欠拟合•Deep Learning (DL) - 深度学习1)Deep Learning - 深度学习2)Neural Network - 神经网络3)Artificial Neural Network (ANN) - 人工神经网络4)Convolutional Neural Network (CNN) - 卷积神经网络5)Recurrent Neural Network (RNN) - 循环神经网络6)Long Short-Term Memory (LSTM) - 长短期记忆网络7)Gated Recurrent Unit (GRU) - 门控循环单元8)Autoencoder - 自编码器9)Generative Adversarial Network (GAN) - 生成对抗网络10)Transfer Learning - 迁移学习11)Pre-trained Model - 预训练模型12)Fine-tuning - 微调13)Feature Extraction - 特征提取14)Activation Function - 激活函数15)Loss Function - 损失函数16)Gradient Descent - 梯度下降17)Backpropagation - 反向传播18)Epoch - 训练周期19)Batch Size - 批量大小20)Dropout - 丢弃法•Neural Network - 神经网络1)Neural Network - 神经网络2)Artificial Neural Network (ANN) - 人工神经网络3)Deep Neural Network (DNN) - 深度神经网络4)Convolutional Neural Network (CNN) - 卷积神经网络5)Recurrent Neural Network (RNN) - 循环神经网络6)Long Short-Term Memory (LSTM) - 长短期记忆网络7)Gated Recurrent Unit (GRU) - 门控循环单元8)Feedforward Neural Network - 前馈神经网络9)Multi-layer Perceptron (MLP) - 多层感知器10)Radial Basis Function Network (RBFN) - 径向基函数网络11)Hopfield Network - 霍普菲尔德网络12)Boltzmann Machine - 玻尔兹曼机13)Autoencoder - 自编码器14)Spiking Neural Network (SNN) - 脉冲神经网络15)Self-organizing Map (SOM) - 自组织映射16)Restricted Boltzmann Machine (RBM) - 受限玻尔兹曼机17)Hebbian Learning - 海比安学习18)Competitive Learning - 竞争学习19)Neuroevolutionary - 神经进化20)Neuron - 神经元•Algorithm - 算法1)Algorithm - 算法2)Supervised Learning Algorithm - 有监督学习算法3)Unsupervised Learning Algorithm - 无监督学习算法4)Reinforcement Learning Algorithm - 强化学习算法5)Classification Algorithm - 分类算法6)Regression Algorithm - 回归算法7)Clustering Algorithm - 聚类算法8)Dimensionality Reduction Algorithm - 降维算法9)Decision Tree Algorithm - 决策树算法10)Random Forest Algorithm - 随机森林算法11)Support Vector Machine (SVM) Algorithm - 支持向量机算法12)K-Nearest Neighbors (KNN) Algorithm - K近邻算法13)Naive Bayes Algorithm - 朴素贝叶斯算法14)Gradient Descent Algorithm - 梯度下降算法15)Genetic Algorithm - 遗传算法16)Neural Network Algorithm - 神经网络算法17)Deep Learning Algorithm - 深度学习算法18)Ensemble Learning Algorithm - 集成学习算法19)Reinforcement Learning Algorithm - 强化学习算法20)Metaheuristic Algorithm - 元启发式算法•Model - 模型1)Model - 模型2)Machine Learning Model - 机器学习模型3)Artificial Intelligence Model - 人工智能模型4)Predictive Model - 预测模型5)Classification Model - 分类模型6)Regression Model - 回归模型7)Generative Model - 生成模型8)Discriminative Model - 判别模型9)Probabilistic Model - 概率模型10)Statistical Model - 统计模型11)Neural Network Model - 神经网络模型12)Deep Learning Model - 深度学习模型13)Ensemble Model - 集成模型14)Reinforcement Learning Model - 强化学习模型15)Support Vector Machine (SVM) Model - 支持向量机模型16)Decision Tree Model - 决策树模型17)Random Forest Model - 随机森林模型18)Naive Bayes Model - 朴素贝叶斯模型19)Autoencoder Model - 自编码器模型20)Convolutional Neural Network (CNN) Model - 卷积神经网络模型•Dataset - 数据集1)Dataset - 数据集2)Training Dataset - 训练数据集3)Test Dataset - 测试数据集4)Validation Dataset - 验证数据集5)Balanced Dataset - 平衡数据集6)Imbalanced Dataset - 不平衡数据集7)Synthetic Dataset - 合成数据集8)Benchmark Dataset - 基准数据集9)Open Dataset - 开放数据集10)Labeled Dataset - 标记数据集11)Unlabeled Dataset - 未标记数据集12)Semi-Supervised Dataset - 半监督数据集13)Multiclass Dataset - 多分类数据集14)Feature Set - 特征集15)Data Augmentation - 数据增强16)Data Preprocessing - 数据预处理17)Missing Data - 缺失数据18)Outlier Detection - 异常值检测19)Data Imputation - 数据插补20)Metadata - 元数据•Training - 训练1)Training - 训练2)Training Data - 训练数据3)Training Phase - 训练阶段4)Training Set - 训练集5)Training Examples - 训练样本6)Training Instance - 训练实例7)Training Algorithm - 训练算法8)Training Model - 训练模型9)Training Process - 训练过程10)Training Loss - 训练损失11)Training Epoch - 训练周期12)Training Batch - 训练批次13)Online Training - 在线训练14)Offline Training - 离线训练15)Continuous Training - 连续训练16)Transfer Learning - 迁移学习17)Fine-Tuning - 微调18)Curriculum Learning - 课程学习19)Self-Supervised Learning - 自监督学习20)Active Learning - 主动学习•Testing - 测试1)Testing - 测试2)Test Data - 测试数据3)Test Set - 测试集4)Test Examples - 测试样本5)Test Instance - 测试实例6)Test Phase - 测试阶段7)Test Accuracy - 测试准确率8)Test Loss - 测试损失9)Test Error - 测试错误10)Test Metrics - 测试指标11)Test Suite - 测试套件12)Test Case - 测试用例13)Test Coverage - 测试覆盖率14)Cross-Validation - 交叉验证15)Holdout Validation - 留出验证16)K-Fold Cross-Validation - K折交叉验证17)Stratified Cross-Validation - 分层交叉验证18)Test Driven Development (TDD) - 测试驱动开发19)A/B Testing - A/B 测试20)Model Evaluation - 模型评估•Validation - 验证1)Validation - 验证2)Validation Data - 验证数据3)Validation Set - 验证集4)Validation Examples - 验证样本5)Validation Instance - 验证实例6)Validation Phase - 验证阶段7)Validation Accuracy - 验证准确率8)Validation Loss - 验证损失9)Validation Error - 验证错误10)Validation Metrics - 验证指标11)Cross-Validation - 交叉验证12)Holdout Validation - 留出验证13)K-Fold Cross-Validation - K折交叉验证14)Stratified Cross-Validation - 分层交叉验证15)Leave-One-Out Cross-Validation - 留一法交叉验证16)Validation Curve - 验证曲线17)Hyperparameter Validation - 超参数验证18)Model Validation - 模型验证19)Early Stopping - 提前停止20)Validation Strategy - 验证策略•Supervised Learning - 有监督学习1)Supervised Learning - 有监督学习2)Label - 标签3)Feature - 特征4)Target - 目标5)Training Labels - 训练标签6)Training Features - 训练特征7)Training Targets - 训练目标8)Training Examples - 训练样本9)Training Instance - 训练实例10)Regression - 回归11)Classification - 分类12)Predictor - 预测器13)Regression Model - 回归模型14)Classifier - 分类器15)Decision Tree - 决策树16)Support Vector Machine (SVM) - 支持向量机17)Neural Network - 神经网络18)Feature Engineering - 特征工程19)Model Evaluation - 模型评估20)Overfitting - 过拟合21)Underfitting - 欠拟合22)Bias-Variance Tradeoff - 偏差-方差权衡•Unsupervised Learning - 无监督学习1)Unsupervised Learning - 无监督学习2)Clustering - 聚类3)Dimensionality Reduction - 降维4)Anomaly Detection - 异常检测5)Association Rule Learning - 关联规则学习6)Feature Extraction - 特征提取7)Feature Selection - 特征选择8)K-Means - K均值9)Hierarchical Clustering - 层次聚类10)Density-Based Clustering - 基于密度的聚类11)Principal Component Analysis (PCA) - 主成分分析12)Independent Component Analysis (ICA) - 独立成分分析13)T-distributed Stochastic Neighbor Embedding (t-SNE) - t分布随机邻居嵌入14)Gaussian Mixture Model (GMM) - 高斯混合模型15)Self-Organizing Maps (SOM) - 自组织映射16)Autoencoder - 自动编码器17)Latent Variable - 潜变量18)Data Preprocessing - 数据预处理19)Outlier Detection - 异常值检测20)Clustering Algorithm - 聚类算法•Reinforcement Learning - 强化学习1)Reinforcement Learning - 强化学习2)Agent - 代理3)Environment - 环境4)State - 状态5)Action - 动作6)Reward - 奖励7)Policy - 策略8)Value Function - 值函数9)Q-Learning - Q学习10)Deep Q-Network (DQN) - 深度Q网络11)Policy Gradient - 策略梯度12)Actor-Critic - 演员-评论家13)Exploration - 探索14)Exploitation - 开发15)Temporal Difference (TD) - 时间差分16)Markov Decision Process (MDP) - 马尔可夫决策过程17)State-Action-Reward-State-Action (SARSA) - 状态-动作-奖励-状态-动作18)Policy Iteration - 策略迭代19)Value Iteration - 值迭代20)Monte Carlo Methods - 蒙特卡洛方法•Semi-Supervised Learning - 半监督学习1)Semi-Supervised Learning - 半监督学习2)Labeled Data - 有标签数据3)Unlabeled Data - 无标签数据4)Label Propagation - 标签传播5)Self-Training - 自训练6)Co-Training - 协同训练7)Transudative Learning - 传导学习8)Inductive Learning - 归纳学习9)Manifold Regularization - 流形正则化10)Graph-based Methods - 基于图的方法11)Cluster Assumption - 聚类假设12)Low-Density Separation - 低密度分离13)Semi-Supervised Support Vector Machines (S3VM) - 半监督支持向量机14)Expectation-Maximization (EM) - 期望最大化15)Co-EM - 协同期望最大化16)Entropy-Regularized EM - 熵正则化EM17)Mean Teacher - 平均教师18)Virtual Adversarial Training - 虚拟对抗训练19)Tri-training - 三重训练20)Mix Match - 混合匹配•Feature - 特征1)Feature - 特征2)Feature Engineering - 特征工程3)Feature Extraction - 特征提取4)Feature Selection - 特征选择5)Input Features - 输入特征6)Output Features - 输出特征7)Feature Vector - 特征向量8)Feature Space - 特征空间9)Feature Representation - 特征表示10)Feature Transformation - 特征转换11)Feature Importance - 特征重要性12)Feature Scaling - 特征缩放13)Feature Normalization - 特征归一化14)Feature Encoding - 特征编码15)Feature Fusion - 特征融合16)Feature Dimensionality Reduction - 特征维度减少17)Continuous Feature - 连续特征18)Categorical Feature - 分类特征19)Nominal Feature - 名义特征20)Ordinal Feature - 有序特征•Label - 标签1)Label - 标签2)Labeling - 标注3)Ground Truth - 地面真值4)Class Label - 类别标签5)Target Variable - 目标变量6)Labeling Scheme - 标注方案7)Multi-class Labeling - 多类别标注8)Binary Labeling - 二分类标注9)Label Noise - 标签噪声10)Labeling Error - 标注错误11)Label Propagation - 标签传播12)Unlabeled Data - 无标签数据13)Labeled Data - 有标签数据14)Semi-supervised Learning - 半监督学习15)Active Learning - 主动学习16)Weakly Supervised Learning - 弱监督学习17)Noisy Label Learning - 噪声标签学习18)Self-training - 自训练19)Crowdsourcing Labeling - 众包标注20)Label Smoothing - 标签平滑化•Prediction - 预测1)Prediction - 预测2)Forecasting - 预测3)Regression - 回归4)Classification - 分类5)Time Series Prediction - 时间序列预测6)Forecast Accuracy - 预测准确性7)Predictive Modeling - 预测建模8)Predictive Analytics - 预测分析9)Forecasting Method - 预测方法10)Predictive Performance - 预测性能11)Predictive Power - 预测能力12)Prediction Error - 预测误差13)Prediction Interval - 预测区间14)Prediction Model - 预测模型15)Predictive Uncertainty - 预测不确定性16)Forecast Horizon - 预测时间跨度17)Predictive Maintenance - 预测性维护18)Predictive Policing - 预测式警务19)Predictive Healthcare - 预测性医疗20)Predictive Maintenance - 预测性维护•Classification - 分类1)Classification - 分类2)Classifier - 分类器3)Class - 类别4)Classify - 对数据进行分类5)Class Label - 类别标签6)Binary Classification - 二元分类7)Multiclass Classification - 多类分类8)Class Probability - 类别概率9)Decision Boundary - 决策边界10)Decision Tree - 决策树11)Support Vector Machine (SVM) - 支持向量机12)K-Nearest Neighbors (KNN) - K最近邻算法13)Naive Bayes - 朴素贝叶斯14)Logistic Regression - 逻辑回归15)Random Forest - 随机森林16)Neural Network - 神经网络17)SoftMax Function - SoftMax函数18)One-vs-All (One-vs-Rest) - 一对多(一对剩余)19)Ensemble Learning - 集成学习20)Confusion Matrix - 混淆矩阵•Regression - 回归1)Regression Analysis - 回归分析2)Linear Regression - 线性回归3)Multiple Regression - 多元回归4)Polynomial Regression - 多项式回归5)Logistic Regression - 逻辑回归6)Ridge Regression - 岭回归7)Lasso Regression - Lasso回归8)Elastic Net Regression - 弹性网络回归9)Regression Coefficients - 回归系数10)Residuals - 残差11)Ordinary Least Squares (OLS) - 普通最小二乘法12)Ridge Regression Coefficient - 岭回归系数13)Lasso Regression Coefficient - Lasso回归系数14)Elastic Net Regression Coefficient - 弹性网络回归系数15)Regression Line - 回归线16)Prediction Error - 预测误差17)Regression Model - 回归模型18)Nonlinear Regression - 非线性回归19)Generalized Linear Models (GLM) - 广义线性模型20)Coefficient of Determination (R-squared) - 决定系数21)F-test - F检验22)Homoscedasticity - 同方差性23)Heteroscedasticity - 异方差性24)Autocorrelation - 自相关25)Multicollinearity - 多重共线性26)Outliers - 异常值27)Cross-validation - 交叉验证28)Feature Selection - 特征选择29)Feature Engineering - 特征工程30)Regularization - 正则化2.Neural Networks and Deep Learning (神经网络与深度学习)•Convolutional Neural Network (CNN) - 卷积神经网络1)Convolutional Neural Network (CNN) - 卷积神经网络2)Convolution Layer - 卷积层3)Feature Map - 特征图4)Convolution Operation - 卷积操作5)Stride - 步幅6)Padding - 填充7)Pooling Layer - 池化层8)Max Pooling - 最大池化9)Average Pooling - 平均池化10)Fully Connected Layer - 全连接层11)Activation Function - 激活函数12)Rectified Linear Unit (ReLU) - 线性修正单元13)Dropout - 随机失活14)Batch Normalization - 批量归一化15)Transfer Learning - 迁移学习16)Fine-Tuning - 微调17)Image Classification - 图像分类18)Object Detection - 物体检测19)Semantic Segmentation - 语义分割20)Instance Segmentation - 实例分割21)Generative Adversarial Network (GAN) - 生成对抗网络22)Image Generation - 图像生成23)Style Transfer - 风格迁移24)Convolutional Autoencoder - 卷积自编码器25)Recurrent Neural Network (RNN) - 循环神经网络•Recurrent Neural Network (RNN) - 循环神经网络1)Recurrent Neural Network (RNN) - 循环神经网络2)Long Short-Term Memory (LSTM) - 长短期记忆网络3)Gated Recurrent Unit (GRU) - 门控循环单元4)Sequence Modeling - 序列建模5)Time Series Prediction - 时间序列预测6)Natural Language Processing (NLP) - 自然语言处理7)Text Generation - 文本生成8)Sentiment Analysis - 情感分析9)Named Entity Recognition (NER) - 命名实体识别10)Part-of-Speech Tagging (POS Tagging) - 词性标注11)Sequence-to-Sequence (Seq2Seq) - 序列到序列12)Attention Mechanism - 注意力机制13)Encoder-Decoder Architecture - 编码器-解码器架构14)Bidirectional RNN - 双向循环神经网络15)Teacher Forcing - 强制教师法16)Backpropagation Through Time (BPTT) - 通过时间的反向传播17)Vanishing Gradient Problem - 梯度消失问题18)Exploding Gradient Problem - 梯度爆炸问题19)Language Modeling - 语言建模20)Speech Recognition - 语音识别•Long Short-Term Memory (LSTM) - 长短期记忆网络1)Long Short-Term Memory (LSTM) - 长短期记忆网络2)Cell State - 细胞状态3)Hidden State - 隐藏状态4)Forget Gate - 遗忘门5)Input Gate - 输入门6)Output Gate - 输出门7)Peephole Connections - 窥视孔连接8)Gated Recurrent Unit (GRU) - 门控循环单元9)Vanishing Gradient Problem - 梯度消失问题10)Exploding Gradient Problem - 梯度爆炸问题11)Sequence Modeling - 序列建模12)Time Series Prediction - 时间序列预测13)Natural Language Processing (NLP) - 自然语言处理14)Text Generation - 文本生成15)Sentiment Analysis - 情感分析16)Named Entity Recognition (NER) - 命名实体识别17)Part-of-Speech Tagging (POS Tagging) - 词性标注18)Attention Mechanism - 注意力机制19)Encoder-Decoder Architecture - 编码器-解码器架构20)Bidirectional LSTM - 双向长短期记忆网络•Attention Mechanism - 注意力机制1)Attention Mechanism - 注意力机制2)Self-Attention - 自注意力3)Multi-Head Attention - 多头注意力4)Transformer - 变换器5)Query - 查询6)Key - 键7)Value - 值8)Query-Value Attention - 查询-值注意力9)Dot-Product Attention - 点积注意力10)Scaled Dot-Product Attention - 缩放点积注意力11)Additive Attention - 加性注意力12)Context Vector - 上下文向量13)Attention Score - 注意力分数14)SoftMax Function - SoftMax函数15)Attention Weight - 注意力权重16)Global Attention - 全局注意力17)Local Attention - 局部注意力18)Positional Encoding - 位置编码19)Encoder-Decoder Attention - 编码器-解码器注意力20)Cross-Modal Attention - 跨模态注意力•Generative Adversarial Network (GAN) - 生成对抗网络1)Generative Adversarial Network (GAN) - 生成对抗网络2)Generator - 生成器3)Discriminator - 判别器4)Adversarial Training - 对抗训练5)Minimax Game - 极小极大博弈6)Nash Equilibrium - 纳什均衡7)Mode Collapse - 模式崩溃8)Training Stability - 训练稳定性9)Loss Function - 损失函数10)Discriminative Loss - 判别损失11)Generative Loss - 生成损失12)Wasserstein GAN (WGAN) - Wasserstein GAN（WGAN）13)Deep Convolutional GAN (DCGAN) - 深度卷积生成对抗网络（DCGAN）14)Conditional GAN (c GAN) - 条件生成对抗网络（c GAN）15)Style GAN - 风格生成对抗网络16)Cycle GAN - 循环生成对抗网络17)Progressive Growing GAN (PGGAN) - 渐进式增长生成对抗网络（PGGAN）18)Self-Attention GAN (SAGAN) - 自注意力生成对抗网络（SAGAN）19)Big GAN - 大规模生成对抗网络20)Adversarial Examples - 对抗样本•Encoder-Decoder - 编码器-解码器1)Encoder-Decoder Architecture - 编码器-解码器架构2)Encoder - 编码器3)Decoder - 解码器4)Sequence-to-Sequence Model (Seq2Seq) - 序列到序列模型5)State Vector - 状态向量6)Context Vector - 上下文向量7)Hidden State - 隐藏状态8)Attention Mechanism - 注意力机制9)Teacher Forcing - 强制教师法10)Beam Search - 束搜索11)Recurrent Neural Network (RNN) - 循环神经网络12)Long Short-Term Memory (LSTM) - 长短期记忆网络13)Gated Recurrent Unit (GRU) - 门控循环单元14)Bidirectional Encoder - 双向编码器15)Greedy Decoding - 贪婪解码16)Masking - 遮盖17)Dropout - 随机失活18)Embedding Layer - 嵌入层19)Cross-Entropy Loss - 交叉熵损失20)Tokenization - 令牌化•Transfer Learning - 迁移学习1)Transfer Learning - 迁移学习2)Source Domain - 源领域3)Target Domain - 目标领域4)Fine-Tuning - 微调5)Domain Adaptation - 领域自适应6)Pre-Trained Model - 预训练模型7)Feature Extraction - 特征提取8)Knowledge Transfer - 知识迁移9)Unsupervised Domain Adaptation - 无监督领域自适应10)Semi-Supervised Domain Adaptation - 半监督领域自适应11)Multi-Task Learning - 多任务学习12)Data Augmentation - 数据增强13)Task Transfer - 任务迁移14)Model Agnostic Meta-Learning (MAML) - 与模型无关的元学习（MAML）15)One-Shot Learning - 单样本学习16)Zero-Shot Learning - 零样本学习17)Few-Shot Learning - 少样本学习18)Knowledge Distillation - 知识蒸馏19)Representation Learning - 表征学习20)Adversarial Transfer Learning - 对抗迁移学习•Pre-trained Models - 预训练模型1)Pre-trained Model - 预训练模型2)Transfer Learning - 迁移学习3)Fine-Tuning - 微调4)Knowledge Transfer - 知识迁移5)Domain Adaptation - 领域自适应6)Feature Extraction - 特征提取7)Representation Learning - 表征学习8)Language Model - 语言模型9)Bidirectional Encoder Representations from Transformers (BERT) - 双向编码器结构转换器10)Generative Pre-trained Transformer (GPT) - 生成式预训练转换器11)Transformer-based Models - 基于转换器的模型12)Masked Language Model (MLM) - 掩蔽语言模型13)Cloze Task - 填空任务14)Tokenization - 令牌化15)Word Embeddings - 词嵌入16)Sentence Embeddings - 句子嵌入17)Contextual Embeddings - 上下文嵌入18)Self-Supervised Learning - 自监督学习19)Large-Scale Pre-trained Models - 大规模预训练模型•Loss Function - 损失函数1)Loss Function - 损失函数2)Mean Squared Error (MSE) - 均方误差3)Mean Absolute Error (MAE) - 平均绝对误差4)Cross-Entropy Loss - 交叉熵损失5)Binary Cross-Entropy Loss - 二元交叉熵损失6)Categorical Cross-Entropy Loss - 分类交叉熵损失7)Hinge Loss - 合页损失8)Huber Loss - Huber损失9)Wasserstein Distance - Wasserstein距离10)Triplet Loss - 三元组损失11)Contrastive Loss - 对比损失12)Dice Loss - Dice损失13)Focal Loss - 焦点损失14)GAN Loss - GAN损失15)Adversarial Loss - 对抗损失16)L1 Loss - L1损失17)L2 Loss - L2损失18)Huber Loss - Huber损失19)Quantile Loss - 分位数损失•Activation Function - 激活函数1)Activation Function - 激活函数2)Sigmoid Function - Sigmoid函数3)Hyperbolic Tangent Function (Tanh) - 双曲正切函数4)Rectified Linear Unit (Re LU) - 矩形线性单元5)Parametric Re LU (P Re LU) - 参数化Re LU6)Exponential Linear Unit (ELU) - 指数线性单元7)Swish Function - Swish函数8)Softplus Function - Soft plus函数9)Softmax Function - SoftMax函数10)Hard Tanh Function - 硬双曲正切函数11)Softsign Function - Softsign函数12)GELU (Gaussian Error Linear Unit) - GELU（高斯误差线性单元）13)Mish Function - Mish函数14)CELU (Continuous Exponential Linear Unit) - CELU（连续指数线性单元）15)Bent Identity Function - 弯曲恒等函数16)Gaussian Error Linear Units (GELUs) - 高斯误差线性单元17)Adaptive Piecewise Linear (APL) - 自适应分段线性函数18)Radial Basis Function (RBF) - 径向基函数•Backpropagation - 反向传播1)Backpropagation - 反向传播2)Gradient Descent - 梯度下降3)Partial Derivative - 偏导数4)Chain Rule - 链式法则5)Forward Pass - 前向传播6)Backward Pass - 反向传播7)Computational Graph - 计算图8)Neural Network - 神经网络9)Loss Function - 损失函数10)Gradient Calculation - 梯度计算11)Weight Update - 权重更新12)Activation Function - 激活函数13)Optimizer - 优化器14)Learning Rate - 学习率15)Mini-Batch Gradient Descent - 小批量梯度下降16)Stochastic Gradient Descent (SGD) - 随机梯度下降17)Batch Gradient Descent - 批量梯度下降18)Momentum - 动量19)Adam Optimizer - Adam优化器20)Learning Rate Decay - 学习率衰减•Gradient Descent - 梯度下降1)Gradient Descent - 梯度下降2)Stochastic Gradient Descent (SGD) - 随机梯度下降3)Mini-Batch Gradient Descent - 小批量梯度下降4)Batch Gradient Descent - 批量梯度下降5)Learning Rate - 学习率6)Momentum - 动量7)Adaptive Moment Estimation (Adam) - 自适应矩估计8)RMSprop - 均方根传播9)Learning Rate Schedule - 学习率调度10)Convergence - 收敛11)Divergence - 发散12)Adagrad - 自适应学习速率方法13)Adadelta - 自适应增量学习率方法14)Adamax - 自适应矩估计的扩展版本15)Nadam - Nesterov Accelerated Adaptive Moment Estimation16)Learning Rate Decay - 学习率衰减17)Step Size - 步长18)Conjugate Gradient Descent - 共轭梯度下降19)Line Search - 线搜索20)Newton's Method - 牛顿法•Learning Rate - 学习率1)Learning Rate - 学习率2)Adaptive Learning Rate - 自适应学习率3)Learning Rate Decay - 学习率衰减4)Initial Learning Rate - 初始学习率5)Step Size - 步长6)Momentum - 动量7)Exponential Decay - 指数衰减8)Annealing - 退火9)Cyclical Learning Rate - 循环学习率10)Learning Rate Schedule - 学习率调度11)Warm-up - 预热12)Learning Rate Policy - 学习率策略13)Learning Rate Annealing - 学习率退火14)Cosine Annealing - 余弦退火15)Gradient Clipping - 梯度裁剪16)Adapting Learning Rate - 适应学习率17)Learning Rate Multiplier - 学习率倍增器18)Learning Rate Reduction - 学习率降低19)Learning Rate Update - 学习率更新20)Scheduled Learning Rate - 定期学习率•Batch Size - 批量大小1)Batch Size - 批量大小2)Mini-Batch - 小批量3)Batch Gradient Descent - 批量梯度下降4)Stochastic Gradient Descent (SGD) - 随机梯度下降5)Mini-Batch Gradient Descent - 小批量梯度下降6)Online Learning - 在线学习7)Full-Batch - 全批量8)Data Batch - 数据批次9)Training Batch - 训练批次10)Batch Normalization - 批量归一化11)Batch-wise Optimization - 批量优化12)Batch Processing - 批量处理13)Batch Sampling - 批量采样14)Adaptive Batch Size - 自适应批量大小15)Batch Splitting - 批量分割16)Dynamic Batch Size - 动态批量大小17)Fixed Batch Size - 固定批量大小18)Batch-wise Inference - 批量推理19)Batch-wise Training - 批量训练20)Batch Shuffling - 批量洗牌•Epoch - 训练周期1)Training Epoch - 训练周期2)Epoch Size - 周期大小3)Early Stopping - 提前停止4)Validation Set - 验证集5)Training Set - 训练集6)Test Set - 测试集7)Overfitting - 过拟合8)Underfitting - 欠拟合9)Model Evaluation - 模型评估10)Model Selection - 模型选择11)Hyperparameter Tuning - 超参数调优12)Cross-Validation - 交叉验证13)K-fold Cross-Validation - K折交叉验证14)Stratified Cross-Validation - 分层交叉验证15)Leave-One-Out Cross-Validation (LOOCV) - 留一法交叉验证16)Grid Search - 网格搜索17)Random Search - 随机搜索18)Model Complexity - 模型复杂度19)Learning Curve - 学习曲线20)Convergence - 收敛3.Machine Learning Techniques and Algorithms (机器学习技术与算法)•Decision Tree - 决策树1)Decision Tree - 决策树2)Node - 节点3)Root Node - 根节点4)Leaf Node - 叶节点5)Internal Node - 内部节点6)Splitting Criterion - 分裂准则7)Gini Impurity - 基尼不纯度8)Entropy - 熵9)Information Gain - 信息增益10)Gain Ratio - 增益率11)Pruning - 剪枝12)Recursive Partitioning - 递归分割13)CART (Classification and Regression Trees) - 分类回归树14)ID3 (Iterative Dichotomiser 3) - 迭代二叉树315)C4.5 (successor of ID3) - C4.5（ID3的后继者）16)C5.0 (successor of C4.5) - C5.0（C4.5的后继者）17)Split Point - 分裂点18)Decision Boundary - 决策边界19)Pruned Tree - 剪枝后的树20)Decision Tree Ensemble - 决策树集成•Random Forest - 随机森林1)Random Forest - 随机森林2)Ensemble Learning - 集成学习3)Bootstrap Sampling - 自助采样4)Bagging (Bootstrap Aggregating) - 装袋法5)Out-of-Bag (OOB) Error - 袋外误差6)Feature Subset - 特征子集7)Decision Tree - 决策树8)Base Estimator - 基础估计器9)Tree Depth - 树深度10)Randomization - 随机化11)Majority Voting - 多数投票12)Feature Importance - 特征重要性13)OOB Score - 袋外得分14)Forest Size - 森林大小15)Max Features - 最大特征数16)Min Samples Split - 最小分裂样本数17)Min Samples Leaf - 最小叶节点样本数18)Gini Impurity - 基尼不纯度19)Entropy - 熵20)Variable Importance - 变量重要性•Support Vector Machine (SVM) - 支持向量机1)Support Vector Machine (SVM) - 支持向量机2)Hyperplane - 超平面3)Kernel Trick - 核技巧4)Kernel Function - 核函数5)Margin - 间隔6)Support Vectors - 支持向量7)Decision Boundary - 决策边界8)Maximum Margin Classifier - 最大间隔分类器9)Soft Margin Classifier - 软间隔分类器10) C Parameter - C参数11)Radial Basis Function (RBF) Kernel - 径向基函数核12)Polynomial Kernel - 多项式核13)Linear Kernel - 线性核14)Quadratic Kernel - 二次核15)Gaussian Kernel - 高斯核16)Regularization - 正则化17)Dual Problem - 对偶问题18)Primal Problem - 原始问题19)Kernelized SVM - 核化支持向量机20)Multiclass SVM - 多类支持向量机•K-Nearest Neighbors (KNN) - K-最近邻1)K-Nearest Neighbors (KNN) - K-最近邻2)Nearest Neighbor - 最近邻3)Distance Metric - 距离度量4)Euclidean Distance - 欧氏距离5)Manhattan Distance - 曼哈顿距离6)Minkowski Distance - 闵可夫斯基距离7)Cosine Similarity - 余弦相似度8)K Value - K值9)Majority Voting - 多数投票10)Weighted KNN - 加权KNN11)Radius Neighbors - 半径邻居12)Ball Tree - 球树13)KD Tree - KD树14)Locality-Sensitive Hashing (LSH) - 局部敏感哈希15)Curse of Dimensionality - 维度灾难16)Class Label - 类标签17)Training Set - 训练集18)Test Set - 测试集19)Validation Set - 验证集20)Cross-Validation - 交叉验证•Naive Bayes - 朴素贝叶斯1)Naive Bayes - 朴素贝叶斯2)Bayes' Theorem - 贝叶斯定理3)Prior Probability - 先验概率4)Posterior Probability - 后验概率5)Likelihood - 似然6)Class Conditional Probability - 类条件概率7)Feature Independence Assumption - 特征独立假设8)Multinomial Naive Bayes - 多项式朴素贝叶斯9)Gaussian Naive Bayes - 高斯朴素贝叶斯10)Bernoulli Naive Bayes - 伯努利朴素贝叶斯11)Laplace Smoothing - 拉普拉斯平滑12)Add-One Smoothing - 加一平滑13)Maximum A Posteriori (MAP) - 最大后验概率14)Maximum Likelihood Estimation (MLE) - 最大似然估计15)Classification - 分类16)Feature Vectors - 特征向量17)Training Set - 训练集18)Test Set - 测试集19)Class Label - 类标签20)Confusion Matrix - 混淆矩阵•Clustering - 聚类1)Clustering - 聚类2)Centroid - 质心3)Cluster Analysis - 聚类分析4)Partitioning Clustering - 划分式聚类5)Hierarchical Clustering - 层次聚类6)Density-Based Clustering - 基于密度的聚类7)K-Means Clustering - K均值聚类8)K-Medoids Clustering - K中心点聚类9)DBSCAN (Density-Based Spatial Clustering of Applications with Noise) - 基于密度的空间聚类算法10)Agglomerative Clustering - 聚合式聚类11)Dendrogram - 系统树图12)Silhouette Score - 轮廓系数13)Elbow Method - 肘部法则14)Clustering Validation - 聚类验证15)Intra-cluster Distance - 类内距离16)Inter-cluster Distance - 类间距离17)Cluster Cohesion - 类内连贯性18)Cluster Separation - 类间分离度19)Cluster Assignment - 聚类分配20)Cluster Label - 聚类标签•K-Means - K-均值1)K-Means - K-均值2)Centroid - 质心3)Cluster - 聚类4)Cluster Center - 聚类中心5)Cluster Assignment - 聚类分配6)Cluster Analysis - 聚类分析7)K Value - K值8)Elbow Method - 肘部法则9)Inertia - 惯性10)Silhouette Score - 轮廓系数11)Convergence - 收敛12)Initialization - 初始化13)Euclidean Distance - 欧氏距离14)Manhattan Distance - 曼哈顿距离15)Distance Metric - 距离度量16)Cluster Radius - 聚类半径17)Within-Cluster Variation - 类内变异18)Cluster Quality - 聚类质量19)Clustering Algorithm - 聚类算法20)Clustering Validation - 聚类验证•Dimensionality Reduction - 降维1)Dimensionality Reduction - 降维2)Feature Extraction - 特征提取3)Feature Selection - 特征选择4)Principal Component Analysis (PCA) - 主成分分析5)Singular Value Decomposition (SVD) - 奇异值分解6)Linear Discriminant Analysis (LDA) - 线性判别分析7)t-Distributed Stochastic Neighbor Embedding (t-SNE) - t-分布随机邻域嵌入8)Autoencoder - 自编码器9)Manifold Learning - 流形学习10)Locally Linear Embedding (LLE) - 局部线性嵌入11)Isomap - 等度量映射12)Uniform Manifold Approximation and Projection (UMAP) - 均匀流形逼近与投影13)Kernel PCA - 核主成分分析14)Non-negative Matrix Factorization (NMF) - 非负矩阵分解15)Independent Component Analysis (ICA) - 独立成分分析16)Variational Autoencoder (VAE) - 变分自编码器17)Sparse Coding - 稀疏编码18)Random Projection - 随机投影19)Neighborhood Preserving Embedding (NPE) - 保持邻域结构的嵌入20)Curvilinear Component Analysis (CCA) - 曲线成分分析•Principal Component Analysis (PCA) - 主成分分析1)Principal Component Analysis (PCA) - 主成分分析2)Eigenvector - 特征向量3)Eigenvalue - 特征值4)Covariance Matrix - 协方差矩阵。
[分享] 机器视觉英语词汇
![[分享] 机器视觉英语词汇](https://img.taocdn.com/s3/m/d442310f0066f5335a8121be.png)
AAberration 像差Accessory 附件Accessory Shoes 附件插座、热靴Achromatic 消色差的Active 主动的、有源的Acutance 锐度Acute-matte 磨砂毛玻璃Adapter 适配器Advance system 输片系统AE Lock(AEL) 自动曝光锁定AF(Autofocus) 自动聚焦AF Illuminator AF照明器AF spotbeam projector AF照明器Alkaline 碱性Ambient light 环境光Amplification factor 放大倍率Angle finder 弯角取景器Angle of view 视角Anti-Red-eye 防红眼Aperture 光圈Aperture priority 光圈优先APO(APOchromat) 复消色差APZ(Advanced Program zoom) 高级程序变焦Arc 弧形ASA(American Standards Association) 美国标准协会Astigmatism 像散Auto bracket 自动包围Auto composition 自动构图Auto exposure 自动曝光Auto exposure bracketing 自动包围曝光Auto film advance 自动进片Auto flash 自动闪光Auto loading 自动装片Auto multi-program 自动多程序Auto rewind 自动退片Auto wind 自动卷片Auto zoom 自动变焦Automatic exposure(AE) 自动曝光Automation 自动化Auxiliary 辅助的BBack 机背Back light 逆光、背光Back light compensation 逆光补偿Background 背景Balance contrast 反差平衡Bar code system 条形码系统Barrel distortion 桶形畸变BAse-Stored Image Sensor (BASIS) 基存储影像传感器Battery check 电池检测Battery holder 电池手柄Bayonet 卡口Bellows 皮腔Blue filter 蓝色滤光镜Body-integral 机身一体化Bridge camera 桥梁相机Brightness control 亮度控制Built in 内置Bulb B 门Button 按钮CCable release 快门线Camera 照相机Camera shake 相机抖动Cap 盖子Caption 贺辞、祝辞、字幕Card 卡Cartridges 暗盒Case 机套CCD(Charge Coupled Device) 电荷耦合器件CdS cell 硫化镉元件Center spot 中空滤光镜Center weighted averaging 中央重点加权平均Chromatic Aberration 色差Circle of confusion 弥散圆Close-up 近摄Coated 镀膜Compact camera 袖珍相机Composition 构图Compound lens 复合透镜Computer 计算机Contact 触点Continuous advance 连续进片Continuous autofocus 连续自动聚焦Contrast 反差、对比Convetor 转换器Coreless 无线圈Correction 校正Coupler 耦合器Coverage 覆盖范围CPU(Central Processing Unit) 中央处理器Creative expansion card 艺术创作软件卡Cross 交*Curtain 帘幕Customized function 用户自选功能DData back 数据机背Data panel 数据面板Dedicated flash 专用闪光灯Definition 清晰度Delay 延迟、延时Depth of field 景深Depth of field preview 景深预测Detection 检测Diaphragm 光阑Diffuse 柔光Diffusers 柔光镜DIN (Deutsche Industrische Normen) 德国工业标准Diopter 屈光度Dispersion 色散Display 显示Distortion 畸变Double exposure 双重曝光Double ring zoom 双环式变焦镜头Dreams filter 梦幻滤光镜Drive mode 驱动方式Duration of flash 闪光持续时间DX-code DX编码EED(Extra low Dispersion) 超低色散Electro selective pattern(ESP) 电子选择模式EOS(Electronic Optical System) 电子光学系统Ergonomic 人体工程学EV(Exposure value) 曝光值Evaluative metering 综合评价测光Expert 专家、专业Exposure 曝光Exposure adjustment 曝光调整Exposure compensation 曝光补偿Exposure memory 曝光记忆Exposure mode 曝光方式Exposure value(EV) 曝光值Extension tube 近摄接圈Extension ring 近摄接圈External metering 外测光Extra wide angle lens 超广角镜头Eye-level fixed 眼平固定Eye-start 眼启动Eyepiece 目镜Eyesight correction lenses 视力校正镜FField curvature 像场弯曲Fill in 填充(式)Film 胶卷(片)Film speed 胶卷感光度Film transport 输片、过片Filter 滤光镜Finder 取景器First curtain 前帘、第一帘幕Fish eye lens 鱼眼镜头Flare 耀斑、眩光Flash 闪光灯、闪光Flash range 闪光范围Flash ready 闪光灯充电完毕Flexible program 柔性程序Focal length 焦距Focal plane 焦点平面Focus 焦点Focus area 聚焦区域Focus hold 焦点锁定Focus lock 焦点锁定Focus prediction 焦点预测Focus priority 焦点优先Focus screen 聚焦屏Focus tracking 焦点跟踪Focusing 聚焦、对焦、调焦Focusing stages 聚焦级数Fog filter 雾化滤光镜Foreground 前景Frame 张数、帧Freeze 冻结、凝固Fresnel lens 菲涅尔透镜、环状透镜Frontground 前景Fuzzy logic 模糊逻辑GGlare 眩光GN(Guide Number) 闪光指数GPD(Gallium Photo Diode) 稼光电二极管Graduated 渐变HHalf frame 半幅Halfway 半程Hand grip 手柄High eye point 远视点、高眼点High key 高调Highlight 高光、高亮Highlight control 高光控制High speed 高速Honeycomb metering 蜂巢式测光Horizontal 水平Hot shoe 热靴、附件插座Hybrid camera 混合相机Hyper manual 超手动Hyper program 超程序Hyperfocal 超焦距IIC(Integrated Circuit) 集成电路Illumination angle 照明角度Illuminator 照明器Image control 影像控制Image size lock 影像放大倍率锁定Infinity 无限远、无穷远Infra-red(IR) 红外线Instant return 瞬回式Integrated 集成Intelligence 智能化Intelligent power zoom 智能化电动变焦Interactive function 交互式功能Interchangeable 可更换Internal focusing 内调焦Interval shooting 间隔拍摄ISO(International Standard Association) 国际标准化组织JJIS(Japanese Industrial Standards)日本工业标准LLandscape 风景Latitude 宽容度LCD data panel LCD数据面板LCD(Liquid Crystal Display) 液晶显示LED(Light Emitting Diode) 发光二极管Lens 镜头、透镜Lens cap 镜头盖Lens hood 镜头遮光罩Lens release 镜头释放钮Lithium battery 锂电池Lock 闭锁、锁定Low key 低调Low light 低亮度、低光LSI(Large Scale Integrated) 大规模集成机器视觉英语词汇(3)MMacro 微距、巨像Magnification 放大倍率Main switch 主开关Manual 手动Manual exposure 手动曝光Manual focusing 手动聚焦Matrix metering 矩阵式测光Maximum 最大Metered manual 测光手动Metering 测光Micro prism 微棱Minimum 最小Mirage 倒影镜Mirror 反光镜Mirror box 反光镜箱Mirror lens 折反射镜头Module 模块Monitor 监视、监视器Monopod 独脚架Motor 电动机、马达Mount 卡口MTF (Modulation Transfer Function 调制传递函数Multi beam 多束Multi control 多重控制Multi-dimensional 多维Multi-exposure 多重曝光Multi-image 多重影Multi-mode 多模式Multi-pattern 多区、多分区、多模式Multi-program 多程序Multi sensor 多传感器、多感光元件Multi spot metering 多点测光Multi task 多任务NNegative 负片Neutral 中性Neutral density filter 中灰密度滤光镜Ni-Cd battery 镍铬(可充电)电池OOff camera 离机Off center 偏离中心OTF(Off The Film) 偏离胶卷平面One ring zoom 单环式变焦镜头One touch 单环式Orange filter 橙色滤光镜Over exposure 曝光过度PPanning 摇拍Panorama 全景Parallel 平行Parallax 平行视差Partial metering 局部测光Passive 被动的、无源的Pastels filter 水粉滤光镜PC(Perspective Control) 透视控制Pentaprism 五棱镜Perspective 透视的Phase detection 相位检测Photography 摄影Pincushion distortion 枕形畸变Plane of focus 焦点平面Point of view 视点Polarizing 偏振、偏光Polarizer 偏振镜Portrait 人像、肖像Power 电源、功率、电动Power focus 电动聚焦Power zoom 电动变焦Predictive 预测Predictive focus control 预测焦点控制Preflash 预闪Professional 专业的Program 程序Program back 程序机背Program flash 程序闪光Program reset 程序复位Program shift 程序偏移Programmed Image Control (PIC) 程序化影像控制QQuartz data back 石英数据机背RRainbows filter 彩虹滤光镜Range finder 测距取景器Release priority 释放优先Rear curtain 后帘Reciprocity failure 倒易律失效Reciprocity Law 倒易律Recompose 重新构图Red eye 红眼Red eye reduction 红眼减少Reflector 反射器、反光板Reflex 反光Remote control terminal 快门线插孔Remote cord 遥控线、快门线Resolution 分辨率Reversal films 反转胶片Rewind 退卷Ring flash 环形闪光灯ROM(Read Only Memory) 只读存储器Rotating zoom 旋转式变焦镜头RTF(Retractable TTL Flash) 可收缩TTL闪光灯SSecond curtain 后帘、第二帘幕Secondary Imaged Registration(SIR) 辅助影像重合Segment 段、区Selection 选择Self-timer 自拍机Sensitivity 灵敏度Sensitivity range 灵敏度范围Sensor 传感器Separator lens 分离镜片Sepia filter 褐色滤光镜Sequence zoom shooting 顺序变焦拍摄Sequential shoot 顺序拍摄Servo autofocus 伺服自动聚焦Setting 设置Shadow 阴影、暗位Shadow control 阴影控制Sharpness 清晰度Shift 偏移、移动Shutter 快门Shutter curtain 快门帘幕Shutter priority 快门优先Shutter release 快门释放Shutter speed 快门速度Shutter speed priority 快门速度优先Silhouette 剪影Single frame advance 单张进片Single shot autofocus 单次自动聚焦Skylight filter 天光滤光镜Slide film 幻灯胶片Slow speed synchronization 慢速同步SLD(Super Lower Dispersion) 超低色散SLR(Single Lens Reflex) 单镜头反光照相机SMC(Super Multi Coated) 超级多层镀膜Soft focus 柔焦、柔光SP(Super Performance) 超级性能SPC(Silicon Photo Cell) 硅光电池SPD(Silicon Photo Dioxide) 硅光电二极管Speedlight 闪光灯、闪光管Split image 裂像Sport 体育、运动Spot metering 点测光Standard 标准Standard lens 标准镜头Starburst 星光镜Stop 档Synchronization 同步TTele converter 增距镜、望远变换器Telephoto lens 长焦距镜头Trailing-shutter curtain 后帘同步Trap focus 陷阱聚焦Tripod 三脚架TS(Tilt and Shift) 倾斜及偏移TTL flash TTL闪光TTL flash metering TTL闪光测光TTL(Through The Lens) 通过镜头、镜后Two touch 双环UUD(Ultra-low Dispersion) 超低色散Ultra wide 超阔、超广Ultrasonic 超声波UV(Ultra-Violet) 紫外线Under exposure 曝光不足VVari-colour 变色Var-program 变程序Variable speed 变速Vertical 垂直Vertical traverse 纵走式View finder 取景器WWarm tone 暖色调Wide angle lens 广角镜头Wide view 广角预视、宽区预视Wildlife 野生动物Wireless remote 无线遥控World time 世界时间XX-sync X-同步ZZoom 变焦Zoom lens 变焦镜头Zoom clip 变焦剪裁Zoom effect 变焦效果TTL 镜后测光NTTL 非镜后测光UM 无机内测光，手动测光MM 机内测光，但需手动设定AP 光圈优先SP 快门优先PR 程序暴光ANCILLARY DEVICES 辅助产品BACKPLANES 底板CABLES AND CONNECTORS 连线及连接器ENCLOSURES 围圈FACTORY AUTOMATION 工厂自动化POWER SUPPLIES 电源APPLICATION-SPECIFIC SOFTWARE 应用软件INDUSTRIAL-INSPECTION SOFTWARE 工业检测软件MEDICAL-IMAGING SOFTWARE 医药图象软件SCIENTIFIC-ANALYSIS SOFTWARE 科学分析软件SEMICONDUCTOR-INSPECTION SOFTWARE 半导体检测软件CAMERAS 相机AREA-ARRAY CAMERAS 面阵相机CAMERA LINK CAMERAS CAMERA-LINK相机CCD CAMERAS-COLOR ccd彩色相机CCD CAMERAS COOLED ccoled型ccd相机CHARGE-INJECTION-DEVICE CAMERAS 充电相机CMOS CAMERAS cmos相机DIGITAL-OUTPUT CAMERAS 数码相机FIREWIRE(1394) CAMERAS 1394接口相机HIGH-SPEED VIDEO CAMERAS 高速摄象机INFRARED CAMERAS 红外相机LINESCAN CAMERAS 行扫描相机LOW-LIGHT-LEVEL CAMERAS 暗光相机MULTISPECTRAL CAMERAS 多光谱相机SMART CAMERAS 微型相机TIME-DELAY-AND-INTEGRATION CAMERAS 时间延迟集成相机USB CAMERAS usb接口相机VIDEO CAMERAS 摄象机DIGITIZERS 数字转换器MEASUREMENT DIGITIZERS 数字测量器MOTION-CAPTURE DIGITIZERS 数字运动捕捉器DISPLAYS 显示器CATHODE-RAY TUBES(CRTs) 阴极摄像管INDUSTRIAL DISPLAYS 工业用型显示器LIQUID-CRYSTAL DISPLAYS 液晶显示器ILLUMINATION SYSTEMS 光源系统BACKLIGHTING DEVICES 背光源FIBEROPTIC ILLUMINATION SYSTEMS 光纤照明系统FLUORESCENT ILLUMINATION SYSTEMS荧光照明系统INFRARED LIGHTING 红外照明LED LIGHTING led照明STRUCTURED LIGHTING 结构化照明ULTRA VIOLET ILLUMINATION SYSTEMS 紫外照明系统WHITE-LIGHT ILLUMINATION SYSTEMS 白光照明系统XENON ILLUMINATION SYSTEMS 氙气照明系统IMAGE-PROCESSING SYSTEMS 图象处理系统AUTOMATION/ROBOTICS 自动化/机器人技术DIGITAL IMAGING SYSTEMS 数字图象系统DOCUMENT-IMAGING SYSTEMS 数据图象系统GUIDANCE/TRACKING SYSTEMS 制导/跟踪系统INFRARED IMAGING SYSTEMS 红外图象系统INSPECTION/NONDESTRUCTIVE TESTING SYSTEMS 检测/非破坏性测试系统INSTRUMENTATION SYSTEMS 测试设备系统INTELLIGENT TRANSPORTATION SYSTEMS 智能交通系统MEDICAL DIAGNOSTICS SYSTEMS 医疗诊断系统METROLOGY/MEASUREMENT/GAUGING SYSTEMS 测绘系统MICROSCOPY SYSTEMS 微观系统MOTION-ANALYSIS SYSTEMS 运动分析系统OPTICAL-CHARACTER-RECOGNITION/OPTICAL-CHARACTER-VERIFICATI ON SYSTEMS 光学文字识别系统PROCESS-CONTROL SYSTEMS 处理控制系统QUALITY-ASSURANCE SYSTEMS 高保真系统REMOTE SENSING SYSTEMS 遥感系统WEB-SCANNING SYSTEMS 网状扫描系统IMAGE-PROCESSING TOOLKITS 图象处理工具包COMPILERS 编译器DATA-ACQUISITION TOOLKITS 数据采集工具套件DEVELOPMENT TOOLS 开发工具DIGITAL-SIGNAL-PROCESSOR(DSP) DEVELOPMENT TOOLKITS 数字信号处理开发工具套件REAL-TIME OPERATING SYSTEMS(RTOSs) 实时操作系统WINDOWS 窗口IMAGE SOURCES 图象资源FLASHLAMPS 闪光灯FLUORESCENT SOURCES 荧光源LASERS 激光器LIGHT-EMITTING DIODES(LEDs) 发光二极管STROBE ILLUMINATION 闪光照明TUNGSTEN LAMPS 钨灯ULTRA VIOLET LAMPS 紫外灯WHITE-LIGHT SOURCES 白光灯XENON LAMPS 氙气灯X-RAY SOURCES x射线源IMAGE-STORAGE DEVICES 图象存储器HARD DRIVES 硬盘设备OPTICAL STORAGE DEVICES 光存储设备RAID STORAGE DEVICES RAID存储设备（廉价磁盘冗余阵列设备）INTEGRATED CIRCUITS 综合电路ASICS 专用集成电路ANALOG-TO-DIGITAL CONVERTERS 模数转换器COMMUNICATIONS CONTROLLERS 通信控制器DIGITAL-SIGNAL PROCESSORS 数字信号处理器DIGITAL-TO-ANALOG CONVERTERS 数模转换器DISPLAY CONROLLERS 显示器控制器FIELD-PROGRAMMABLE GATE 现场可编程门阵列ARRAYS 阵列GRAPHICS-DISPLAY CONTROLLERS 图形显示控制器IMAGE-PROCESSING ICs 图象处理芯片MIXED-SIGNAL ICs 混合信号芯片VIDEO-PROCESSING ICs 视频处理芯片LENSES 镜头CAMERA LENSES 相机镜头ENLARGING LENSES 放大镜HIGH-RESOLUTION LENSES 高分辨率镜头IMAGE-SCANNING LENSES 图象扫描镜头PROJECTION LENSES 聚光透镜TELECENTRIC LENSES 望远镜VIDEO LENSES 摄象机镜头MONITORS 显示器CATHODE-RAY-TUBE(CRT) MONITORS, COLOR crt彩色监视器CATHODE-RAY-TUBE(CRT) MONITORS, MONOCHROME 单色crt监视器LIQUID-CRYSTAL-DISPLAY(LED) MONITORS lcd监视器。
机器视觉作业部分英文单词翻译与解释
第一次作业1、什麽是视觉?物体的影像刺激眼睛所产生的感觉。
（视力+知识）2、人类视觉通常包括那几个主要部分，各自的功能是什麽？晶状体，视网膜，视觉神经，大脑。
晶状体：调节焦距，接受处理光信号。
视网膜：将光信号转换为电信号。
有杆状细胞（暗细胞，感知明暗信息）和锥状细胞（明细胞，感知颜色信息）组成。
视觉神经单元：在眼内由视网膜节细胞发出的纤维组成，将电信号传至大脑。
大脑：对图像进行分析处理。
3、机器视觉通常包括那几个主要部分，各自的功能是什麽？光学镜头，光电传感器，适配器，A/D转换器，数字处理系统。
光学镜头：对外界的景物进行成像或者聚焦。
光电传感器：将图像信号转换换成连续的视频信号输出。
适配器：将输出的连续的电信号进行规划，使之满足后续处理的要求。
A/D转换器：将模拟信号转换成数字信号。
数字处理系统：对数字信号进行处理，使之成为满足要求的信号。
4、人类视觉及机器视觉各自的优缺点是什么？人类视觉：优点：处理速度快；处理能力强；对环境的响应能力强；成像分辨率高；较为灵活。
缺点：主观性强；耐疲劳能力弱；只能看见可见光；不能定量分析物体分布距离。
机器视觉：优点：能适应恶劣环境，耐疲劳；可识别更多的光谱，准确性高；控制简单；信息响应快速；尺寸测量、定量检测、三维形状测试方面强。
缺点：串行工作方式；对环境快速响应能力差；光学系统需要改进。
5、机器视觉涉及到那些学科的知识？机器视觉可在哪些领域应用？学科：光学，物理学，机械设计，自动控制原理，工程测试等。
应用领域：通信工程、遥感技术、医用图像处理、工业领域、军事公安、文化艺术等。
6、能否举2个机器视觉的应用案例？利用点视觉检测系统，在香皂包装机中，对香皂包装过程中的数量进行计数并控制。
鱼类产品的自动识别分类。
7、机器视觉检测技术及传统检测技术有何不同？能解决那些传统检测技术解决不了的问题？传统检测技术主要是利用结构光的检测方法，机器视觉检测主要是利用三维立体视觉检测方法。
英文词汇对照
英文词汇对照Parameters 参数Machine Vision——机器视觉Camera——相机Lens——镜头Light——光源Framegrabber——图像采集卡Image software图像软件Machine Vision System机器视觉系统Interface——接口/数据接口Mono——黑白Color——彩色Resolution——分辨率Sensor——传感器Sensor Size——传感器尺寸Pixel——像素Resolution分辨率Mega——百万Pixel/Cell Size——像素尺寸/像元尺寸Lens Mount——镜头接口Frame——帧Frame Rate——帧率FPS（Frame per Second）——每秒帧数Bit Depth——像素深度Gain——增益Sensitivity——感光度/灵敏度Auto——自动Manual——手动Focal焦距Mount相机或镜头接口Iris——光圈MOD最小工作距离WD视场范围White Balance——白平衡Zoom——变焦Shutter——快门Exposure——曝光Progressive Scan——逐行扫描Interlaced Scan——隔行扫描Global Shutter——全局快门（帧曝光）Rolling Shutter——滚动快门（逐行曝光）AOI（Area of Interest）——感兴趣区域ROI（Region of Interest）——感兴趣区域Fiber——光纤Dimension——尺寸Trigger——触发Responsivity 光谱响应(光谱曲线) Standard 标准NO Standard 非标Format 格式HostBustIntput(输入Video input视频输入) Output(输出video output视频输出) CameraLink Base CameraLink 基本Medium CameraLink 中FullCameraLink 全部Composite video复合视频S-video或Y/C(S端子连接电缆) HostBust总线Buffer板载缓存大小DataWidth数据带宽Clock时钟频率Inch英寸公司统计AVT（Allied Vision Technology）——德国，1394相机，2008年收购加拿大Prosilica后涉足GigE相机20011收购德国VDS提供紫外\红外\高速CCD产品AOS——瑞士，高速相机Basler——德国，相机CBC Computar——日本，镜头CCS——LED光源Canon（佳能）——日本Cognex（康耐视）——美国Dalsa——加拿大，CameraLink相机和采集卡Epix——美国，CameraLink相机和采集卡Edmund——美国，镜头Euresys——比利时，采集卡E2V——英国，相机Fujinon（富士能）——日本，镜头Flir——美国，相机Gardasoft——英国，光源控制器Imperx——美国，相机、采集卡IOI——台湾，接口卡、线*IOI——以色列，监控设备JAI——丹麦，2003年收购美国Pulnix JVC（杰伟世）——日本Kowa——日本，镜头Linos——德国，镜头Leica（莱卡）——德国，相机、镜头Myutron——日本，镜头CBC Computar----日本,镜头MVTec——德国，软件，Halcon、ActivVisionToolsMatrox（迈创）——加拿大，相机、采集卡、软件Micron（美光）——美国，芯片Moritex——日本，镜头、光源Nikon（尼康）——日本Norpix——加拿大，高速存储软件，StreamPix Navitar——美国，镜头NI（National Instrument）——美国，芯片，LabvIEW OKI——日本Olympus（奥林巴斯）——日本Prosilica——加拿大，相机，2008年被AVT收购Pulnix——美国，相机，2003年被JAI收购Perkin Elmer——美国，相机PPT——美国，相机Pentax（宾得）——日本，镜头PointGrey——加拿大，相机Silicon Software——德国，软件Schneider（施奈德）——德国，镜头3M——美国，线材TOTA——日本，相机TVI——芬兰，相机Teli——日本东芝，相机Tamron（腾龙）——镜头Uniq——美国，相机VST——日本，镜头VC（Vision Components）——德国，智能相机Watec——日本，相机产品系列:大恒板卡CG\VT 大恒相机HV----UC(UM)/M/MLHV----FC SV-FM/FC SV /GC GV ITS GC/SC/EC AOS---X-EMA X-TREME S-PRI F1/F2/Standard S-MOTION S-VIT LS/F1 TRI-VIT DALSA Spyder2/ Spyder3/ Spyder3 Color/ Spyder3 GigE/Piranha2/ Piranha3 Trillium 3CCD/ Piranha HS/ Piranha ES/Eclipse/ Piranha2 Color/Falcon/Pantera AVT Guppy/Guppy Pro/Pike/Stingray/OSCAR/MantaProsilica GC/GE/GS/GB/GXJAI C3/Advanced/base/compactCBC ComputarSchineiderKowa/LMVZ/JC/NCL/CLS/JCM/NCM/HC/LM50TC/LM50IR/NC3/LMZ/JC10M/LF/NF (Nikon F)Myutron LSP/SP/XM-SP/LS/FV-L/FV-W/MGTL/VTL/WD220/40/110/Linos Rodgon/ Rodgon-S/ Rodgon-F/inspec.xL/inspec.xM/Apo-Rodagon/TL。
机器视觉的常用术语
机器视觉的常用术语作者：佚名文章来源：佳工机电网点击数：735 更新时间：2008-7-3 16:15:11 DACDAC：即数/模转换器，一种将数字信号转换成模拟信号的装置。
DAC的位数越高，信号失真就越小，图像也更清晰稳定。
AVIAVI是将语音和影像同步组合在一起的文件格式。
它对视频文件采用了一种有损压缩方式，但压缩比较高，因此尽管画面质量不是太好，但其应用范围仍然非常广泛。
AVI支持256色和RLE压缩。
AVI信息主要应用在多媒体光盘上，用来保存电视、电影等各种影像信息。
RGB颜色空间对一种颜色进行编码的方法统称为“颜色空间”或“色域”。
用最简单的话说，世界上任何一种颜色的“颜色空间”都可定义成一个固定的数字或变量。
RGB（红、绿、蓝）只是众多颜色空间的一种。
采用这种编码方法，每种颜色都可用三个变量来表示—-红色、绿色以及蓝色的强度。
记录及显示彩色图像时，RGB是最常见的一种方案。
但是，它缺乏与早期黑白显示系统的良好兼容性。
因此，许多电子电器厂商普遍采用的做法是，将RGB转换成YUV颜色空间，以维持兼容；再根据需要转换回RGB格式，以便在电脑显示器上显示彩色图形。
YUV色彩系统YUV（亦称YcrCb）是被欧洲电视系统所采用的一种颜色编码方法（属于PAL）。
YUV 主要用于优化彩色视频信号的传输，使其向后兼容老式黑白电视。
与RGB视频信号传输相比，它最大的优点在于只需占用极少的带宽（RGB要求三个独立的视频信号同时传输）。
其中“Y”表示明亮度（1uminance或Luma），也就是灰阶值；而“U”和“V”表示的则是色度(Chrominance Chroma)，作用是描述影像色彩及饱和度，用于指定像素的颜色。
“亮度”是通过RGB输入信号来创建的，方法是将RGB信号的特定部分叠加到一起。
“色度”则定义了颜色的两个方面—-色调与饱和度，分别用Cr和CB来表示。
其中，Cr反映了GB 输入信号红色部分与RGB信号亮度值之间的差异。