帮助中心帮助中心
自动视觉检查(AVI)是一组用于确定图像是否代表正常(“良好”)状态或异常(“有缺陷”)状态的技术。AVI协助和改进生产环境中常见的质量保证过程。现代视觉检测使用机器学习和深度学习技术来产生有用的结果。
您选择自动化视觉检查任务的具体技术取决于几个因素。这些因素包括正常和异常样本可用的训练数据量、要识别的异常类别的数量,以及理解和监测预测所需的定位信息类型。
要执行自动视觉检查,请下载计算机视觉工具箱™自动目视检查库从附加组件资源管理器。有关下载附加组件的详细信息,请参见获取和管理附加组件。一些功能也需要深度学习工具箱™。
全部展开
groundTruth
imageDatastore
sceneLabelTrainingData
splitAnomalyData
trainFCDDAnomalyDetector
trainFastFlowAnomalyDetector
trainPatchCoreAnomalyDetector
anomalyThreshold
fcddAnomalyDetector
fastFlowAnomalyDetector
patchCoreAnomalyDetector
分类
预测
anomalyMap
anomalyMapOverlay
viewAnomalyDetectionResults
evaluateAnomalyDetection
anomalyDetectionMetrics
使用深度学习的异常检测是一种越来越流行的自动化视觉检测任务的方法。
使用您只看一次版本4 (YOLO v4)深度学习网络检测,定位和分类印刷电路板(pcb)中的缺陷。
使用简单卷积神经网络(CNN)对晶圆图上的制造缺陷进行分类。
使用异常检测器来区分正常药片和有异常碎片或污染的药片。
在实时图像采集过程中检测药丸中的异常。
使用从预训练的ResNet-18卷积神经网络中提取的特征嵌入的单类学习训练基于相似性的异常检测器。
在MATLAB中,该函数对应于一个最基本的函数:
在MATLAB中,用MATLAB编写了仿真程序。Los navegadores web no admit commandos de MATLAB。
选择网站
选择一个网站获取翻译后的内容,并查看当地的活动和优惠。根据您的位置,我们建议您选择:。
你亦可选择下列网址:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家网站没有针对您所在位置的访问进行优化。
与当地办事处联系