基于机器学习和深度学习的模式识别
您可以使用MATLAB应用机器学习或深度学习技术®在模式识别应用中。
机器学习方法包括准备数据,手动提取要区分数据中的类别,并培训机器学习模型以对新对象进行分类。常见的机器学习技术或模型目标检测包括聚合通道特征(ACF)、使用方向梯度直方图(HOG)特征的SVM分类和Viola-Jones。这些方法都可以在MATLAB中使用®.
深度学习方法包括准备您的数据并培训深神经网络,并在新数据上测试训练有素的模型。常见的深入学习模式用于图案识别是R-CNN和YOLO V2,也可以在MATLAB中获得。近年来,深入学习方法比机器学习更受欢迎。
机器学习和深度学习方法的主要区别在于,深度学习模型需要更大的训练数据集和更多的训练时间,而机器学习模型可以使用更小的数据集进行训练,如果不能按预期工作,则可能更容易解释和调试,但是,与在大量标记数据上训练的深度学习模型相比,该模型的精确度较低。
在工程中的模式识别常见应用是制造业的缺陷检测,以提高产品质量,同时降低工业应用的生产成本。下图显示了如何公司使用基于视觉的技术和MATLAB在三个阶段有效地检测缺陷:图像捕获、图像处理以提高质量,以及AI建模以将对象分类为良好对象和故障对象。
监督分类
模式识别的监督分类方法及其应用监督学习输入数据的算法,将手动标记的训练数据与所需的输出配对。
在计算机视觉中,有监督模式识别技术用于光学字符识别(OCR)、目标检测和目标分类。