视力检查

视觉检查是对零件的基于图像的检查，其中相机扫描了测试零件的故障和质量缺陷。自动检查和缺陷检测对于生产系统中的高通量质量控制至关重要。具有高分辨率摄像头的视觉检查系统有效地检测到了显微镜甚至纳米级缺陷，这对于人眼而言很难拾起。因此，在许多行业中，它们被广泛采用，用于检测金属轨，半导体晶圆和隐形眼镜等制造表面上的缺陷。

与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中的交互式和易于使用的应用程序可帮助用户探索，迭代和自动化算法以提高生产率。这些功能可以在许多工业应用中使用。

例如，汽车零件制造商Musashi Seimitsu行业的手动操作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本地位置不同类型的异常，它构建了自动化的视觉检查系统来检查斜角齿轮。预计更新的方法将大大减少公司的工作量及其成本。

相似地，空中客车建立了强大的视觉检查人工智能（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环境简化了在短时间内进行缺陷的交互原型制作和测试的过程。

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

数据来自多个来源，通常是非结构化和嘈杂的，使数据准备和管理变得困难且耗时。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，注册估计器应用程序使您可以探索各种算法以注册未对准的图像，从而使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，图像和视频标签应用程序可以将自定义的语义细分或对象检测算法应用于图像或视频帧中的区域或对象。对于图像以外的数据集，MATLAB提供了音频标签和信号标签分别用于标记音频和信号数据集的应用程序。

AI建模

AI技术被广泛用于分类和预测，作为缺陷检测的一部分。在MATLAB环境中，您可以直接访问用于分类和预测的常见算法，从回归，深网，再到聚类。

在为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建立和训练深层网络。另一个是调整和调整一个验证的神经网络，也称为转移学习。两种方法都易于在MATLAB中实现。

MATLAB提供深网设计师APP，您可以构建，可视化，编辑和训练深度学习网络。您还可以分析网络，以确保正确定义网络体系结构并在培训之前检测问题。

在MATLAB中，您可以从Tensorflow™-Keras，Caffe以及从ONNX™模型格式导入网络和网络体系结构。您可以使用这些预验证的网络并编辑它们以进行转移学习。

部署

深度学习模型必须合并到更大的系统中才能有用。MATLAB提供了一个代码生成框架，该框架允许在MATLAB中开发的模型在任何地方部署，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^®以及Intel Socs和FPGA。在Mathworks工具的帮助下，您可以轻松地探索和定位嵌入式硬件。