目视检查

目视检查是对零件的基于图像的检查，摄像机扫描被测零件的故障和质量缺陷。自动化检测和缺陷检测对于生产系统的高吞吐量质量控制至关重要。配有高分辨率摄像机的视觉检测系统可以有效地检测出人眼难以察觉的微尺度甚至纳米尺度的缺陷。因此，在许多行业中，它们被广泛用于检测金属导轨、半导体晶片和隐形眼镜等制造表面的缺陷。

用MATLAB^®，您可以开发视觉检测系统。它支持图像采集、算法开发和部署。MATLAB中的交互式和易于使用的应用金宝app程序可帮助用户探索、迭代和自动化算法，以提高生产率。这些功能在许多工业应用中都有应用。

例如，汽车零件制造商武藏精光工业的手动目视检查系统每月检查约130万个零件。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，它构建了一个自动目视检查系统，用于检查锥齿轮预计更新后的方法将大大减少公司的工作量和成本。

同样地，空中客车建立了一个鲁棒的视觉检测人工智能（AI）模型，用于自动检测多个飞机部件中的任何缺陷，以确保其飞机在投入使用之前没有缺陷。使用MATLAB环境简化了在短时间内交互式原型制作和缺陷测试的过程。

缺陷检测过程可以分为三个主要阶段:数据准备、人工智能建模和部署。

数据准备

数据来自多个来源，通常是非结构化和有噪声的，这使得数据准备和管理变得困难和耗时。数据集中的预处理图像将提高异常检测的准确性。MATLAB有多个应用程序支持各种预处理技术。例如金宝app登记估计量app可以让你探索各种算法来注册不对齐的图像，让人工智能模型更容易检测缺陷。

MATLAB提供了自动化能力，以加速标签过程。例如,图像和视频标签应用程序可以应用自定义语义分割或对象检测算法来标记图像或视频帧中的区域或对象音频贴标签机和信号贴标签机分别用于标记音频和信号数据集的应用程序。

人工智能建模

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的常用算法，从回归到深度网络，再到聚类。

在将深度学习应用于分类任务时，有两种方法。一种方法是从零开始建立和训练一个深层网络。另一个是调整和微调预先训练的神经网络，也被称为迁移学习．这两种方法都很容易在MATLAB中实现。

MATLAB提供了深层网络设计师应用程序，它可以让您构建、可视化、编辑和培训深度学习网络。您还可以分析网络，以确保正确定义网络体系结构，并在培训前检测问题。

在MATLAB中，您可以从TensorFlow™-Keras、Caffe以及从和到ONNX™模型格式导入网络和网络架构。你可以用这些pretrained网络为迁移学习进行编辑。

部署

深度学习模型必须被整合到一个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使您能够将深度学习网络部署到各种嵌入式硬件平台，如NVIDIA^®英特尔GPU^®和手臂^®cpu和Xilinx^®借助MathWorks工具，您可以轻松探索和瞄准嵌入式硬件。