目视检查

目视检查是基于图像的检查部分相机扫描下的部分测试失败和质量缺陷。自动检查和缺陷检测是大规模生产中质量控制的关键系统。视觉检测系统和高分辨率相机有效检测微量甚至纳米缺陷人眼很难收拾。因此,他们是被广泛采用的检测在许多行业等制造表面缺陷的金属栏杆,半导体晶片,隐形眼镜。

用MATLAB^®,您可以开发视觉检测系统。它支持金宝app图像采集、算法开发和部署。在MATLAB交互式和易于使用的应用程序帮助用户探索,进行迭代,并自动化算法来提高生产力。这些功能发现在许多工业应用中使用。

例如,汽车制造商武藏Seimitsu部分行业的手动视觉检测系统检查每月约130万部分。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,它建立了一个自动视觉检测系统检查锥齿轮。更新的方法预计将大大降低公司的工作量以及其成本。

同样的,空中客车公司构建一个健壮的目视检查人工智能(AI)模型对任何缺陷自动检测在多个飞机组件,以确保它的飞机没有缺陷在进入服务。使用MATLAB环境简化交互原型设计和测试缺陷的过程在很短的时间。

缺陷检测过程可以分为三个主要阶段:数据准备、人工智能建模和部署。

数据准备

来自多个数据源的数据,通常是结构化的和吵闹,使数据准备和管理困难和耗时。预处理的图像数据集将导致更高的精度检测异常。MATLAB支持各种预处理技术有几个应用程序。金宝app例如,登记估计量应用程序允许您探索各种算法登记不一致的图片,方便人工智能模型检测的缺陷。

MATLAB提供的自动化功能加速标签的过程。例如,图像和视频贴标签机应用程序可以应用自定义语义分割或物体检测算法标签区域或对象在一个图像或视频帧。对于以外的数据集的图像,用MATLAB提供的音频贴标签机和信号贴标签机分别应用标签音频和信号数据集。

人工智能建模

人工智能技术广泛用于分类和预测的缺陷检测。在MATLAB环境中,您直接访问常用算法的分类和预测,从回归,深层网络、集群。

深度学习申请分类任务时,有两种方法。一种方法是从头开始构建和训练一个深层网络。另一个是调整和调整pretrained神经网络,也被称为转移学习。这两种方法在MATLAB容易实现。

MATLAB提供的深层网络设计师应用程序,它可以让你建立、可视化编辑和火车深度学习网络。你也可以分析网络,确保网络架构是正确定义和训练之前发现问题。

在MATLAB中,您可以导入网络和网络体系结构从TensorFlow™-Keras,咖啡,和ONNX™模型格式。您可以使用这些pretrained网络学习和编辑他们转移。

部署

深度学习模型必须被纳入一个更大的系统是有用的。MATLAB代码生成提供了一个框架,该框架允许模型在MATLAB开发部署,无需重写原始模型。这使您能够在整个系统测试和部署模型。

MATLAB使您能够把深入学习网络部署到各种嵌入式硬件平台,比如NVIDIA^®gpu,英特尔^®和手臂^®cpu和Xilinx^®和英特尔soc和fpga。MathWorks工具的帮助下,你可以探索和目标嵌入式硬件容易。