Ispezione visiva Code-Along

Esegui un classico workflow di ispezione visiva e individua i difetti sulla base del contenuto delle immagini.

Segui le seguenti istruzioni:

  1. Scarica il codice
  2. Aprilo in MATLAB

Non puoi accedere? Richiedi ora una versione di prova gratuita.

Tempo necessario:
15–30 minuti
Prerequisiti:
Competenze base di MATLAB

Ti serve un aggiornamento? Prova un tutorial gratuito e interattivo.

Fase 1

Caricamento e pre-elaborazione dei dati

Importa i tuoi dati e accertati che siano pronti per il Deep Learning.

 

Nozioni apprese: caricamento e pre-elaborazione dei dati

  • Caricamento dati con un datastore di immagini
  • La funzione imageDatastore etichetta automaticamente le immagini in base ai nomi delle cartelle
  • Possibilità di aumentare il set di dati aggiungendo immagini con scale e rotazioni diverse
  • Le app basate su immagini possono velocizzare notevolmente le attività di pre-elaborazione più comuni quali il ritaglio, l’etichettatura e la registrazione delle immagini

Fase 2

Importazione del modello

Apprendi una serie di opzioni per i modelli di Deep Learning. 

 

Nozioni apprese: importazione di un modello di Deep Learning e modifica dello stesso per il Transfer Learning

  • Uso di svariati modelli preaddestrati come punto di partenza per il Transfer Learning
  • Uso dell’app Deep Network Designer per alterare in modo interattivo il modello per una nuova attività
  • Importazione di modelli e architetture da TensorFlow™-Keras, TensorFlow 2, Caffe e formato del modello ONNX™ (Open Neural Network Exchange)

Fase 3

Addestramento del modello

Utilizza i dati e la rete modificata per addestrare un nuovo classificatore di immagini.

 

Nozioni apprese: modifica di un modello per l’apprendimento

  • Possibilità di scegliere tra svariate opzioni di addestramento, che modificano i risultati dell’addestramento
  • L’addestramento dei modelli può richiedere tempi lunghi, a seconda dell’hardware e del formato del set di dati
  • Esecuzione del Deep Learning senza dover imparare a creare un modello da zero

Fase 4

Test del modello e visualizzazione dei risultati

Carica il modello e usa i dati di test per analizzarne la precisione.

 

Nozioni apprese: test del modello su dati nuovi

  • Classificazione dei dati di test (accantonati nella fase 1) e calcolo della precisione di classificazione
  • Visualizzazione dei dati di test con le etichette corrispondenti per garantire la precisione del modello su nuovi dati
  • Uso di tecniche di IA esplicabile come GradCAM per visualizzare il punto dell’immagine in cui il modello ha rilevato un difetto.