目视检查

视觉检查是基于图像的部件检查，其中摄像机扫描被测部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的高通量质量控制至关重要。带有高分辨率摄像头的视觉检测系统有效地检测出人眼难以捕捉到的微尺度甚至纳米尺度的缺陷。因此，它们被广泛应用于许多行业，用于检测金属导轨、半导体晶圆和隐形眼镜等制造表面的缺陷。

用MATLAB^®以及计算机视觉工具箱™自动视觉检查库，你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中交互式且易于使用的应用程序可帮助用户探索、迭代和自动化算法，以提高工作效率。这些功能在许多工业应用中得到了应用。

例如，汽车零部件制造商武藏精光工业公司的手动视觉检测系统每月检测约130万个零部件。利用MATLAB开发了基于深度学习的方法来检测和定位不同类型的异常，构建了锥齿轮自动视觉检测系统。更新后的方法预计将大大减少公司的工作量和成本。

同样的,空中客车公司建立了一个强大的视觉检测人工智能(AI)模型，用于自动检测多个飞机部件的任何缺陷，以确保其飞机在服役前没有缺陷。使用MATLAB环境简化了在短时间内进行交互式原型设计和缺陷测试的过程。

缺陷检测过程可以分为三个主要阶段:数据准备、AI建模和部署。

数据准备

数据来源多，通常是非结构化且有噪声，数据准备和管理困难且耗时。对数据集中的图像进行预处理可以提高异常检测的准确性。MATLAB有几个应用程序来支持各种预处理技术。例如，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AI模型更容易检测到缺陷。

MATLAB提供了自动化功能来加速标记过程。例如，图像和视频标签App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。对于图像以外的数据集，MATLAB提供了音频贴标签机而且信号贴标签机分别标记音频和信号数据集的应用程序。

人工智能建模

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度网络。另一种是调整和微调预训练的神经网络，也称为转移学习．这两种方法都很容易在MATLAB中实现。

MATLAB提供了深度网络设计器App，它可以让你构建、可视化、编辑和训练深度学习网络。您还可以通过网络分析来确保网络架构的正确定义，并在培训前发现问题。

在MATLAB中，您可以从TensorFlow™-Keras、Caffe和ONNX™模型格式导入网络和网络架构。你可以用这些pretrained网络并编辑它们进行迁移学习。

部署

深度学习模型必须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，例如NVIDIA^®gpu,英特尔^®和手臂^®cpu和Xilinx^®以及英特尔的soc和fpga。在MathWorks工具的帮助下，您可以轻松地探索和定位嵌入式硬件。