对输入数据进行分类,用于目标检测、分类和缺陷检测
使用机器学习和深度学习的模式识别
你可以在MATLAB中应用机器学习或深度学习技术®在模式识别应用中。
机器学习方法包括准备数据、手动提取特征以区分数据中的类,以及训练机器学习模型对新对象进行分类。常见的机器学习技术或模型用于目标检测的方法包括聚合通道特征(ACF),使用定向梯度直方图(HOG)特征的支持向量机分类,以及Viola-Jones。这些方法都在MATLAB中可用®.
深度学习方法包括准备数据和训练深度神经网络,并在新数据上测试训练过的模型。常见的深度学习模型用于模式识别的是R-CNN和YOLO v2,它们也在MATLAB中可用。近年来,深度学习方法比机器学习方法更受欢迎。
机器学习和深度学习方法之间的主要区别是,深度学习模型需要更大的训练数据集和更多的训练时间,而机器学习模型可以用更小的数据集进行训练,如果不能按预期工作,可能更容易解释和调试,但产生的精度低于用大量标记数据训练的深度学习模型。
模式识别在工程中的一个常见应用是在制造业中进行缺陷检测,以提高产品质量,同时降低工业应用中的生产成本。下图显示了如何操作公司使用基于视觉的技术和MATLAB在三个阶段有效地检测缺陷:图像捕获、图像处理以提高质量,以及AI建模以将对象分类为好与坏。
监督分类
应用模式识别的监督分类方法监督式学习输入数据的算法,将手动标记的训练数据与所需输出配对。
在计算机视觉中,监督模式识别技术被用于光学字符识别(OCR),目标检测和目标分类。
非监督分类
例子和如何
- 基于深度学习的头盔检测——示例
- 空中客车自动缺陷检测——用户故事
- 工业应用的自动光学检测和缺陷检测(30:48)
- 利用ACF跟踪移动汽车上的行人——示例
- 音频特征的顺序特征选择——示例
- 利用HOG特征进行数字分类——示例
软件参考
- 使用HOG特征和SVM检测正直的人——文档
- 二值分类的支持向量机——文档
- 使用级联对象检测器进行对象检测——系统对象
- 监督学习(机器学习)工作流和算法——文档
- 训练一个级联对象检测器——文档
参见:深度学习的MATLAB,对象检测,对象识别,图像识别,图像分割,目视检查,了解更多关于特征提取的信息,机器学习,模式识别的视频,点云处理,深度学习,计算机视觉
机器学习斜坡弯道
学习用于分类问题的实用机器学习方法的基础知识。