Apprendre l'Inspection visuelle en codant

Implémenter un workflow courant d'inspection visuelle et identifier les défauts d'après le contenu d'une image.

Pour suivre le tutoriel :

  1. Téléchargez le code
  2. Ouvrez-le dans MATLAB

Vous n'y avez pas accès ?  Obtenez une version d'essai gratuite dès à présent.

Temps nécessaire pour compléter le tutoriel :
Entre 15 et 30 minutes
Prérequis :
Compétences MATLAB de base

Besoin d'un rappel sur les connaissances ? Essayez un tutoriel interactif gratuit.

Étape 1

Charger et prétraiter les données

Importez vos données et assurez-vous qu'elles soient prêtes pour le Deep Learning.

 

Vous avez appris à : charger et prétraiter des données

  • Charger des données à l'aide d'un datastore d'images
  • La fonction imageDatastore permet de labéliser automatiquement les images d'après les noms de dossier
  • Vous pouvez augmenter vos jeux de données en ajoutant des images avec des échelles et des rotations différentes
  • Les applications basées sur les images peuvent grandement accélérer les tâches courantes de prétraitement comme le recadrage, la labélisation et le recalage d'images

Étape 2

Importer un modèle

Découvrez de nombreuses options de modèles de Deep Learning. 

 

Vous avez appris à : importer un modèle de Deep Learning et à le modifier pour l'apprentissage par transfert

  • Utiliser de nombreux modèles pré-entraînés comme point de départ pour l'apprentissage par transfert
  • Utiliser l'application Deep Network Designer pour modifier de manière interactive le modèle dédié à une nouvelle tâche
  • Importer des modèles et des architectures depuis TensorFlow™-Keras, TensorFlow 2, Caffe et le format de modèle ONNX™ (Open Neural Network Exchange)

Étape 3

Entraîner le modèle

Utilisez les données et le réseau modifié pour entraîner un nouveau classificateur d'images.

 

Vous avez appris à : modifier un modèle pour l'apprentissage

  • Choisir parmi de nombreuses options d'apprentissage, qui influent sur les résultats de l'apprentissage
  • Entraîner des modèles peut prendre beaucoup de temps selon le hardware et la taille du jeu de données
  • Effectuer le Deep Learning sans avoir besoin d'apprendre comment créer un modèle à partir de zéro

Étape 4

Tester le modèle et visualiser les résultats

Chargez le modèle et utilisez les données de test pour vérifier sa précision.

 

Vous avez appris à : tester le modèle sur de nouvelles données

  • Classifier les données de test (mises de côté dans l'étape 1) et calculer la précision de la classification
  • Visualiser les données de test à l'aide des étiquettes correspondantes pour garantir la précision du modèle sur de nouvelles données
  • Utiliser des techniques d'IA explicable comme Grad-CAM pour visualiser où le modèle a détecté un défaut sur l'image.