目视检查

目视检查是基于图像的零件检查，其中摄像机扫描被测零件的故障和质量缺陷。自动化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。带有高分辨率摄像机的视觉检测系统能够有效检测肉眼难以识别的微尺度甚至纳米尺度缺陷。因此，它们被广泛应用于许多行业，用于检测金属导轨、半导体晶片和隐形眼镜等制造表面上的缺陷。

用MATLAB^®，就可以开发可视化监测系统。它支持金宝app图像采集，算法开发和部署。互动和MATLAB帮助用户易于使用的应用的探索，迭代和自动化算法来提高生产率。这些功能在许多方面得到工业应用。

例如，汽车部件制造商武藏精密株式会社行业的人工操作的视觉检测系统巡查了约130万件每月。使用MATLAB开发基于深学习方法来检测和定位不同类型的异常，它内置的自动化视觉检测系统，用于检测锥齿轮。更新的方法有望大大降低公司的工作量，以及其成本。

相似地，空中客车公司建立了一个坚固的目视检查人工智能（AI）模型在多个飞机部件自动地检测任何缺陷，以确保其有飞机进入服务之前没有缺陷。使用简化的交互原型并在很短的时间量检测缺陷的过程在MATLAB环境。

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

数据来自多个源和通常是非结构化和嘈杂，使得数据准备和管理困难和耗时的。在数据集中预处理图像将导致更高的精度检测异常。MATLAB有几个应用程序，以支持各种预处理技术。金宝app例如，注册估计器该应用程序允许您探索各种算法来注册未对齐的图像，使AI模型更容易检测缺陷。

MATLAB提供了自动化功能来加速标记过程。例如图像和视频贴标机应用程序可以在图像或视频帧应用自定义语义分割或对象检测算法，以标签区域或对象。对于非图像的数据集，MATLAB提供音频贴标机和信号贴标机分别用于标记音频和信号数据集的应用程序。

AI建模

人工智能技术被广泛用于分类和预测作为缺陷检测的一部分。在MATLAB环境下，你可以直接访问用于分类和预测的通用算法，从回归，深网络，聚类。

将深度学习应用于分类任务时，有两种方法。一种方法是从头开始构建和训练深层网络。另一个是调整和微调预训练神经网络，也称为迁移学习. 这两种方法都易于在MATLAB中实现。

MATLAB提供深度网络设计器应用程序，它可以让你构建，可视化，编辑和培养深度学习网络。您还可以分析网络，以确保网络架构的正确定义和培训之前发现问题。

在MATLAB中，可以从TensorFlow导入网络和网络体系结构™-凯拉斯，从Caffe到ONNX™ 模型格式。你可以用这些预训练网络并编辑它们以进行迁移学习。

部署

深度学习模式必须整合到更大的系统中才能发挥作用。MATLAB提供了一个代码生成框架，允许在MATLAB中开发的模型部署到任何地方，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使您能够将深度学习网络部署到各种嵌入式硬件平台，如NVIDIA^®图形处理器，英特尔^®手臂^®CPU和Xilinx^®与英特尔的SoC和FPGA。随着MathWorks工具的帮助下，你可以探索和轻松定位嵌入式硬件。