视力检查

目视检查是基于图像的部分检查，其中相机扫描的部件进行了测试失败和质量缺陷。自动检测和缺陷检测对于生产系统中的高通量质量控制至关重要。具有高分辨率摄像机的视觉检测系统有效地检测微观尺寸甚至是纳米级缺陷，这些缺陷难以用于人眼拾取。因此，它们在许多行业中广泛采用，用于检测制造表面上的缺陷，例如金属轨道，半导体晶片和隐形眼镜。

用matlab.^®，您可以开发视觉检查系统。它支持万博1manbetx图像采集，算法开发和部署。Matlab中的互动和易于使用的应用程序帮助用户探索，迭代和自动化算法来提高生产力。这些功能可在许多工业应用中使用。

例如，汽车部件制造商Musashi Seimitsu行业的手动操作的视觉检查系统每月检查约130万份。使用MATLAB开发基于深度学习的方法来检测和定位不同类型的异常，它为检查锥齿轮的自动视觉检查系统建立了自动化的视觉检查系统。预计更新的方法将大大减少公司的工作量以及其成本。

相似地，空中客车建立了一个强大的目视检查人工智能（AI）模型，用于自动检测多个飞机组件中的任何缺陷，以确保其飞机在进入服务之前没有缺陷。使用MATLAB环境简化了短时间内缺陷的交互式原型和测试过程。

缺陷检测过程可以分为三个主要阶段：数据准备，AI建模和部署。

数据准备

数据来自多种来源，通常是非结构化和嘈杂的，使数据准备和管理难以耗时。数据集中的预处理图像将导致检测异常的准确性更高。Matlab有几个应用程序来支持各种预处理技术。万博1manbetx例如，注册估算器应用程序允许您探索各种算法以注册未对齐的图像，使AI模型更容易检测缺陷。

MATLAB提供自动化功能，以加速标签过程。例如，图像和视频贴图应用程序可以将自定义语义分段或对象检测算法应用于图像或视频帧中的标签区域或对象。对于除图像以外的数据集，Matlab提供了音符贴标程序和信号贴标器用于标记音频和信号数据集的应用程序。

AI建模

作为缺陷检测的一部分，AI技术广泛用于分类和预测。在MATLAB环境中，您可以直接访问用于分类和预测，从回归到深度网络到聚类的常见算法。

在对分类任务应用深度学习时，有两种方法。一种方法是从头开始构建和培训深度网络。另一个是调整和微调预磨损的神经网络，也称为转移学习。两种方法都很容易在Matlab中实施。

Matlab提供了深网络设计师应用程序，可允许您构建，可视化，编辑和培训深度学习网络。您还可以分析网络以确保在培训前定义网络架构并检测问题。

在MATLAB中，您可以从Tensorflow™-Keras，从Caffe和Onnx™模型格式导入网络和网络架构。你可以使用这些磨粉网络并编辑它们进行转移学习。

部署

必须将深度学习模型纳入更大的系统以获得有用的系统。Matlab提供了一种代码生成框架，允许在Matlab中开发的模型部署在任何地方，而无需重写原始模型。这使您能够在整个系统中测试和部署模型。

MATLAB使您可以将深度学习网络部署到各种嵌入式硬件平台，例如NVIDIA^®GPU，英特尔^®和手臂^®CPU和Xilinx^®和英特尔SOCS和FPGA。在MathWorks工具的帮助下，您可以轻松探索和定位嵌入式硬件。