Gemeinsames Programmieren einer Sichtprüfung

Führen Sie einen gängigen Sichtprüfungsablauf durch und erkennen Sie Mängel anhand von Bildinhalten.

Mitmachen:

  1. Code herunterladen
  2. In MATLAB öffnen

Sie haben keinen Zugriff? Rufen Sie jetzt eine kostenfreie Testversion ab.

Dauer:
15 bis 30 Minuten
Voraussetzungen:
MATLAB-Grundkenntnisse

Sie brauchen eine Auffrischung? Absolvieren Sie das kostenfreie interaktive Tutorial.

Schritt 1

Daten laden und vorverarbeiten

Importieren Sie Ihre Daten und stellen Sie sicher, dass sie zum Deep Learning bereit sind.

 

Was Sie gelernt haben: Daten laden und vorverarbeiten

  • Daten mithilfe eines Bild-Datastore laden.
  • Mit der imageDatastore-Funktion werden die Bilder automatisch anhand der Ordnernamen gekennzeichnet.
  • Sie können Ihren Datensatz aufwerten, indem Sie Bilder in verschiedenen Abmessungen und Drehungen hinzufügen.
  • Bildbasierte Anwendungen können gängige Vorverarbeitungsaufgaben wie Beschneiden, Kennzeichnen und Registrieren von Bildern erheblich beschleunigen.

Schritt 2

Modell importieren

Lernen Sie verschiedene Möglichkeiten für Deep Learning-Modelle kennen. 

 

Was Sie gelernt haben: Ein Deep Learning-Modell importieren und für Transfer Learning modifizieren

  • Verwenden Sie verschiedene vortrainierte Modelle als Ausgangspunkt für das Transfer Learning.
  • Ändern Sie das Modell interaktiv mit der Deep Network Designer-App für eine neue Aufgabe.
  • Importieren Sie Modelle und Architekturen aus TensorFlow™-Keras, TensorFlow 2, Caffe und dem ONNX™-Modellformat (Open Neural Network Exchange).

Schritt 3

Modell trainieren

Trainieren Sie einen neuen Bildklassifikator mit den Daten und dem modifizierten Netz.

 

Was Sie gelernt haben: Modell zum Lernen modifizieren

  • Wählen Sie aus verschiedenen Trainingsoptionen aus, um Trainingsergebnisse zu verändern.
  • Je nach Hardware und Datensatzgröße kann das Trainieren von Modellen lange dauern.
  • Führen Sie Deep Learning aus, ohne das Erstellen eines kompletten Modells erlernen zu müssen.

Schritt 4

Modell testen und Ergebnisse visualisieren

Laden Sie das Modell und verwenden Sie die Testdaten, um die Genauigkeit des Modells zu beobachten.

 

Was Sie gelernt haben: Modell an neuen Daten ausprobieren

  • Klassifizieren Sie die Testdaten (aus Schritt 1) und berechnen Sie die Klassifizierungsgenauigkeit.
  • Visualisieren Sie die Daten mit entsprechenden Kennzeichnungen, um die Modellgenauigkeit für neue Daten sicherzustellen.
  • Verwenden Sie XAI-Techniken (Explainable AI) wie GradCAM, um zu visualisieren, wo das Modell im Bild einen Defekt entdeckt hat.