视觉检查 - 简易教程

执行一个常见的视觉检查工作流,并根据图像内容识别缺陷。

请提前做好以下准备

  1. 下载代码
  2. MATLAB 中打开下载的代码

没有安装 MATLAB?立即获得免费试用版

完成所需时间:
15-30 分钟
预备知识:
MATLAB 基本技能

需要复习?试用免费的交互式教程。

步骤 1

加载和预处理数据

导入数据,并确保数据可以用于深度学习。

 

学习内容:加载和预处理数据

  • 使用图像数据存储加载数据
  • imageDatastore 函数根据文件夹名称自动标注图像
  • 您可以添加不同缩放比例和旋转角度的图像,以此来增强数据集
  • 基于图像的 App 可以显著加快裁剪、标注和配准之类的常见图像预处理任务

步骤 2

导入模型

了解深度学习模型的各种选项。

 

学习内容:导入深度学习模型并对其进行修改以用于迁移学习

  • 有多种预训练模型可供选择,作为迁移学习的起点
  • 使用深度网络设计器以交互方式更改模型以用于新任务
  • 从 TensorFlow™-Keras、TensorFlow 2、Caffe 和 ONNX™(开放式神经网络交换)模型格式导入网络和架构

步骤 3

训练模型

使用数据和修改后的网络来训练新的图像分类器。

 

学习内容:修改模型以用于学习

  • 从多种训练选项中进行选择,不同的选择会带来不同的训练结果
  • 模型可能需要很长时间来训练,具体取决于硬件和数据集大小
  • 无需学习如何从头开始创建模型即可执行深度学习

步骤 4

测试模型并可视化结果

加载模型并使用测试数据来考察模型的准确度。

 

学习内容:使用新数据测试模型

  • 对测试数据(步骤 1 留出)进行分类并计算分类准确度
  • 可视化测试数据并添加相应标签,确保模型对新数据分类的准确度
  • 借助 GradCAM 等可解释 AI 技术,可视化模型在图像中的何处检测到缺陷。