EasyLocate

• A new assisted segmentation tool is available in Deep Learning Studio for the EasySegment Supervised annotations. It provides a quick and efficient way to get pixel- perfect annotations.
• EasyFind has been extended to support :
  • Vector learning patterns. This extension is well- suited to find objects with a known geometry.
  • Pattern matching using feature point technology
• EasyBarCode2 and EasyQRCode now support the GS1 symbology.
• EasyMatrixCode2 now supports the Data Matrix Rectangular Extension (ISO/IEC 21471, DMRE).

• Der Modus „Punkt von Interesse“ von EasyLocate: Neue Arbeitsmethode (alternativ zum Modus „Auf Achse ausgerichteter umschließender Quader“ von EasyLocate), mit der die Annotation des Datensatzes und die Konfiguration der Tools vereinfacht wird, wenn alle Objekte die gleiche Größe haben. Mit nur 1 Klick kann ein „Punkt von Interesse“-Objekt annotiert werden.
• EasyGauge: Neue Polygon-Messlehre zusätzlich zu Punkt-, Linien-, Rechteck-, Kreis- und Keil-Messlehren
• Deep-Learning-Tools unterstützen jetzt GPU-Verarbeitung auf NVIDIA Jetson.
• Schnellere Kompilierungszeit mit vereinfachten C++-Headern und geringeren Abrufkosten zur Open eVision API.

Alle Open eVision-Bibliotheken sind jetzt auch für eingebettete ARM-Geräte 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.

• Neo ist das neue Lizenzsystem von Euresys. Es ist zuverlässig, auf dem neusten Stand der Technik und jetzt zum Speichern von Open eVision- und eGrabber-Lizenzen verfügbar.
• Mit Neo können Sie auswählen, wo Ihre Lizenzen aktiviert werden sollen: auf einem Neo-Dongle oder in einem Neo-Softwarecontainer. Sie kaufen eine Lizenz und entscheiden später.
• Neo-Dongles bieten eine robuste Hardware und die Flexibilität der Übertragung von einem Computer auf einen anderen.
• Neo-Softwarecontainer benötigen keine spezielle Hardware. Sie sind mit dem Computer verknüpft, auf dem sie aktiviert wurden.
• Im Lieferumfang von Neo ist der dedizierte Neo-Lizenzmanager in zwei Ausführungen enthalten: Als intuitive, benutzerfreundliche grafische Benutzeroberfläche und als Befehlszeilenschnittstelle zur einfachen Automatisierung der Neo-Lizenzverfahren.

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.

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.

• Windows 7 bis Windows 10 x86 (32 Bit) und x86-64 (64 Bit)
• Windows 11 x86-64 (64 Bit)
• Linux 64 Bit (x86-64 und ARMv8-A) mit einer glibc-Version ab 2.18

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:

• Der Modus „Auf Achse ausgerichteter umschließender Quader“ von EasyLocate sagt den Quader voraus, der jedes Objekt bzw. jeden Defekt umschließt und im Bild gefunden wurde. Anschließend wird jedem umschließenden Quader eine Klassenkennzeichnung zugewiesen. EasyLocate muss mit Bildern trainiert werden, bei denen die zu findenden Objekte (oder Defekte) mit einem umschließenden Quader und einer Klassenkennzeichnung ausgewiesen sind.
• Der Modus „Punkt von Interesse“ von EasyLocate sagt die Position (als Punkt, der in der Regel in der Mitte liegt, aber auch anders definiert sein kann) für alle Objekte (oder Defekte) voraus, die im Bild gefunden wurden, und weist ihnen jeweils eine Klassenkennzeichnung zu. Alle Objekte (oder Defekte) im Bild müssen ungefähr die gleiche Größe haben. EasyLocate muss mit Bildern trainiert werden, bei denen die zu findenden Objekte (oder Defekte) mit einem Punkt von Interesse und einer Klassenkennzeichnung ausgewiesen sind. Der Annotationsprozess ist mit dem Modus „Punkt von Interesse“ von EasyLocate schneller, da 1 Klick ausreicht, um ein Objekt zu annotieren.

• Das Deep-Learning-Paket wurde speziell zum Analysieren von Bildern und insbesondere für Bildverarbeitungssysteme entwickelt, parametrisiert und optimiert.
• Das Deep-Learning-Paket hat eine einfache API und der Anwender kann mit nur ein paar Codezeilen alle Vorteile der Deep-Learning-Technologien nutzen.
• Testen Sie vor dem Kauf: Im Deep-Learning-Paket ist die kostenlose Anwendung „Deep Learning Studio“ für Trainng und Evaluierung enthalten.

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.