Visual Inspection Toolbox 提供用于设计、测试和部署视觉检查与分析应用的 App、算法和 AI 模型。您可以检测异常、对目标进行计数、匹配形状、进行测量，并生成合成图像。将 AI 模型与传统图像处理相结合，可帮助您开发和调节检查与分析工作流，以实现跨应用的可靠性、准确度和可用性。
该工具箱与其他 MATLAB 产品结合使用，可以缩短从原型构建到投产的时间，帮助您构建完整的视觉检查解决方案。您可以：
- 连接机器视觉相机（使用 Image Acquisition Toolbox）
- 构建独立的桌面端仪表板和 App（使用 MATLAB Compiler）
- 使用生成代码将检查算法部署到边缘设备（使用 MATLAB Coder 和 GPU Coder）
- 将 AI 模型导出到 ONNX™
视觉异常检测
使用深度学习检测、分类和定位异常。使用正常图像进行训练，识别未知缺陷，优化阈值，可视化缺陷区域，并计算度量。
目标检测和计数
为视觉检查应用对目标进行检测、定位和计数。构建基于 YOLOX 的检测器，生成训练数据，识别大图像中的小目标，并使用基于范例的深度学习模型对目标进行计数。
部署和代码生成
使用生成的 C/C++ 或 CUDA® 代码将检查算法和 AI 模型部署到边缘设备。将模型导出到 ONNX 以用于外部框架。构建独立的检查仪表板和 App（使用 MATLAB Compiler）。
使用相机进行实时检查
使用 Image Acquisition Toolbox 连接到 GigE Vision、GenICam 和其他行业标准相机，以便您使用生产系统捕获的相同图像来开发和验证视觉检查算法。
产品资源：
“一开始，我对这些方法并不十分熟悉，但我能从 MathWorks 软件工程师那里学到很多关于功能原理的知识。”
Visual Inspection Toolbox 常见问题解答
视觉检查是检查制造的部件、组件或环境以识别缺陷、验证尺寸并确保符合质量标准的过程，通常应用于制造业、汽车、建筑和航空航天等行业。
自动化视觉检查系统使用高分辨率相机和支持深度学习与传统机器视觉算法的软件（如 MATLAB、Visual Inspection Toolbox 和 Image Acquisition Toolbox），高效地检测人眼难以觉察的微米级或纳米级缺陷。
MATLAB 通过 Visual Inspection Toolbox 支持 Student-Teacher、PatchCore、FastFlow 和 FCDD（全卷积数据描述），每种方法在训练速度、模型大小和图像大小处理方面具有不同特点。
可以。当异常图像稀少或呈多样化时，MATLAB 支持无监督异常检测方法；当有足够的异常图像用于训练时，MATLAB 支持诸如 YOLOX 之类的有监督目标检测方法。
缺陷检测过程包括三个主要阶段：数据准备（包括图像预处理和标注）、应用经典算法（测量和形状匹配）或 AI 建模（训练异常检测器或目标检测模型），以及部署到嵌入式硬件或独立应用程序。
MATLAB 提供用于去噪、边缘保持平滑、颜色空间转换、对比度增强和形态学的函数。它还包括图像配准器以对齐未对齐的图像，以及图像和视频标注器以使用自定义算法自动执行语义分割或目标检测的标注过程。
可以。MATLAB 能够使用代码生成框架将深度学习网络和经典算法部署到各种嵌入式硬件平台，包括 NVIDIA GPU、Intel 和 ARM CPU，以及 Xilinx 和 Intel SoC 和 FPGA。MATLAB 还支持将 AI 模型导出为 ONNX 格式，从而实现与外部框架的集成。
Plansee 使用 MATLAB 开发基于 AI 的视觉异常检测系统，该系统能在受损的炉用载具进入高温炉之前自动将其识别出来。这有助于减少停机时间、防止炉体损坏并提高生产可靠性。Musashi Seimitsu Industry 使用 MATLAB 每月检查约 130 万个汽车圆锥齿轮部件，Airbus 构建 AI 模型以在多个飞机组件投入使用前自动检测其缺陷。
