MATLAB 的 Automated Visual Inspection Library 是 Computer Vision Toolbox 下的一个工业视觉检测扩展库，面向 AOI 自动光学检测场景。它把传统图像处理、深度学习模型训练、结果验证和 C/C++ 代码部署串成一条完整链路，适合做产品缺陷检测、尺寸测量、装配校验和异常识别。
它的定位不是“开箱即用的工业视觉软件”，而更像一套算法开发、仿真验证和边缘部署工具。工程师用它完成从图像采集、预处理、模型训练到嵌入式代码生成的全流程，最终把算法落到工业 PC、FPGA、SoC 或 NVIDIA Jetson 这类边缘硬件上。
传统视觉与深度学习融合
传统机器视觉部分主要处理规则明确、几何特征稳定的检测任务。常见能力包括灰度化、滤波、形态学、阈值分割、直方图均衡、畸变校正等预处理；也包括卡尺测量、边缘检测、距离角度面积计算、ROI 区域分析等几何测量；还有模板匹配、刚性与非刚性图像配准，用于把待检产品对齐到标准模板后做差分判断。
深度学习部分则更适合处理复杂、不规则或难以用规则穷举的缺陷。该库内置了 PatchCore、FCDD、FastFlow 等异常检测模型，只需良品图片即可训练，能够识别划痕、脏污、缺料、变形等偏离标准外观的异常。对于缺陷样本充足、类别明确的场景，也可以使用 YOLOX 做目标检测，或用 U-Net、Mask R-CNN 做语义与实例分割，实现缺陷定位和面积计算。此外还支持图像分类、OCR/OCV 字符读取与校验。
工程化工作流
典型流程从工业相机采集图像开始，先做图像预处理和配准对齐，再根据缺陷形态选择算法路径。缺陷类型固定且样本充足时，可选目标检测或分割网络；缺陷类型难以枚举、缺陷样本极少时，更适合用无监督异常检测。
训练完成后，通过混淆矩阵、精确率、召回率、F1、ROC 等指标评估漏检和误检表现。确认效果后再进入仿真验证和代码生成阶段。MATLAB Coder、GPU Coder 等工具可以把算法转为 C/C++ 代码或 CUDA 代码，部署到工业 PC、嵌入式处理器、FPGA 或 NVIDIA Jetson 等平台。最终检测结果可通过 PLC 触发产线分拣、报警和日志记录。
与半导体和功率器件质检的契合点
在功率半导体、PCB 和功率模块外观检测中，缺陷样本往往稀缺且形态多样。异常检测只依赖良品训练，能较好覆盖划痕、裂纹、缺料、封装变形等未知缺陷，这对 SiC/GaN 裸片、TO-247 封装、铜夹封装、功率 PCB 等场景很实用。如果缺陷类别明确，例如元件缺失、虚焊、异物、引脚形变，也可以用 YOLOX 等目标检测模型做定位和分类。
这套工具还能与 Simulink 联动。对于同时涉及视觉检测、分拣控制、电机驱动或 EtherCAT 关节调度的产线，可以把视觉推理与 PLC/运动控制放在同一仿真链路里验证，再分别生成代码部署到不同控制器。
优势与限制
它的优势在于传统 CV 与深度学习可混合使用：先用传统算子完成定位、配准和测量，再用 AI 识别细微缺陷；异常检测能缓解工业场景缺陷样本不足的问题；从算法原型到 C/C++ 部署链路完整；并且支持 3D 视觉扩展，可用于高度、形变检测。
但它也有工程约束。它本身是算法开发工具，需要工程师设计流程、标注数据、调参和验证；推理性能依赖部署硬件，高帧率产线通常需要 GPU 或 FPGA 加速；光学环境变化会显著影响检测精度，仍需配套光源和相机设计；模型也会随工艺漂移而退化，需要持续更新样本和重训练；此外它不自带相机驱动和 PLC 接口，图像采集与工业总线仍需单独集成。
与 VisionPro 的差异
Cognex VisionPro Deep Learning 更偏产线成品软件，适合集成商在现场快速部署，自带相机、PLC 接口和可视化配置。MATLAB 的视觉检测库更偏算法研发和预研平台，算法自由度更高，支持混合传统 CV 与深度学习，也能生成 C/C++ 代码，但需要工程师完成更多算法设计和工程集成工作。
如果后续要写行业分析文章，可以从“工业 AOI 如何从规则检测走向异常检测”切入，重点对比传统 CV、监督检测和仅良品训练的异常检测在半导体、功率器件、PCB 质检中的适用边界。
