CoaXPress-Framegrabber
Camera Link-Framegrabber
Analoge Nichtstandard-Framegrabber
Standard PAL/NTSC/1080p-Video-aufnahmekarten
Softwaretools zur Bildanalyse
Anwendungen für Evaluierung und Prototyping
Bilderfassungssoftware
GigE Vision, USB3 Vision, CoaXPress
IMX Pregius, MIPI CSI-2
Machine Vision Development Kit
Bibliothek zur Lokalisierung und Klassifizierung anhand von Deep Learning
In Open eVision ist die Anwendung „Deep Learning Studio“ kostenlos enthalten. Diese Anwendung hilft dem Anwender bei der Erstellung von Datensätzen sowie beim Trainieren und Testen des Deep-Learning-Tools. Für EasySegment ist in Deep Learning Studio ein Annotationstool integriert, sodass Vorhersagen in Ground-Truth-Annotationen umgewandelt werden können. Damit kann das Tool auch grafisch entsprechend den Performance-Anforderungen konfiguriert werden. Es kann beispielsweise nach dem Training ausgewählt werden, ob der Erkennungsrate von Defekten oder einer guten Erkennungsrate Vorrang gegeben werden soll.
Neuronale Netze sind Computersysteme, die biologische neuronale Netze des menschlichen Gehirns als Vorbild haben. Konvolutionale neuronale Netze (CNN – Convolutional Neural Network) sind eine Klasse künstlicher Deep-Learning-Netze, die vor allem für die Analyse von Bildern verwendet werden. Deep Learning nutzt große CNNs zur Lösung komplexer Probleme, die mit sogenannten konventionellen Computervision-Algorithmen schwierig oder unmöglich zu lösen sind. Deep-Learning-Algorithmen sind möglicherweise einfacher einzusetzen, da sie in der Regel anhand von Beispielen lernen. Der Anwender muss sich dabei keine Gedanken über die Klassifizierung oder Inspektion von Teilen machen. Stattdessen lernen sie in der anfänglichen Trainingsphase einfach dadurch, dass ihnen viele Bilder der zu inspizierenden Teile gezeigt werden. Nach erfolgreichem Training können sie zur Klassifizierung von Teilen oder Erkennung und Segmentierung von Defekten verwendet werden.
Deep Learning funktioniert durch Trainieren eines neuronalen Netzes, das lernt, Referenzbilder zu klassifizieren. Die Zuverlässigkeit dieses Prozesses hängt maßgeblich davon ab, wie repräsentativ und umfassend die Referenzbilder sind. Das Deep-Learning-Paket verwendet eine „Datenaugmentation“, bei der zusätzliche Referenzbilder erstellt werden, indem vorhandene Referenzbilder innerhalb programmierbarer Grenzen modifiziert werden (z. B. durch Verschieben, Drehen, Skalieren). Auf diese Weise kommt das Deep-Learning-Paket mit nur ein paar Hundert Trainingsbildern pro Klasse aus.
Deep Learning erfordert generell und insbesondere in der Lernphase eine beträchtliche Verarbeitungsleistung. Das Deep-Learning-Paket unterstützt Standard-CPUs und erkennt automatisch Nvidia CUDA-kompatible GPUs im PC. Schon 1 GPU beschleunigt in der Regel den Lernprozess und die Verarbeitungsphasen um den Faktor 100.
Unser Datensatz „Electronic Component“ zeigt, wie EasyLocate dank umschließender Quader trotz schlechter Lichtverhältnisse zuverlässig verschiedene Arten elektronischer Standardkomponenten erkennt und zählt, die sich lose in Plastikbeuteln befinden.
EasyLocate ist die Bibliothek für Lokalisierung und Identifikation des Deep-Learning-Pakets. Sie wird zum Lokalisieren und Identifizieren von Objekten, Produkten oder Defekten in einem Bild verwendet. EasyLocate kann überlappende Objekte erkennen und ist somit zum Zählen der Anzahl an Objektinstanzen geeignet. Es sind zwei Methoden verfügbar:
Unser Datensatz „Ceramic Capacitor“ zeigt, wie EasyLocate dank Punkten von Interesse zuverlässig viele Keramikkondensatoren, die sich überschneiden oder gegenseitig berühren, erkennen und zählen kann.
Geben Sie Ihre E-Mail-Adresse und Ihr Passwort ein und klicken Sie auf „ANMELDEN“, um auf diesen Bereich zugreifen zu können.
Geben Sie Ihre E-Mail-Adresse ein und klicken Sie auf „KONTO ERSTELLEN“. Sie erhalten in Kürze eine Bestätigungs-E-Mail. Klicken Sie einfach auf den Link in dieser E-Mail.
Kostenlos und einfach!