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 Segmentierung anhand von Deep Learning
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.
Unser Musterdatensatz „Stoff“ zeigt, wie Stofffehler mit dem unbeaufsichtigten EasySegment-Modus erkannt und segmentiert werden können, wobei nur wenige gute Muster für das Training und keine Kenntnisse über die Art der zu erwartenden Fehler erforderlich sind. Darüber hinaus kann der unüberwachte EasySegment-Modus verwendet werden, um die für den überwachten Modus erforderliche Annotation der erwarteten Segmentierung zu vereinfachen. Dazu werden die Ergebnisse des unüberwachten Modus überprüft und als Ground-Truth geprüft und importiert.
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.
>EasySegment ist das Segmentierungstool des Deep-Learning-Pakets. EasySegment übernimmt die Erkennung und Segmentierung von Defekten. Es erkennt Teile mit Defekten und weist die Stelle im Bild sehr genau aus. Beim überwachten Modus von EasySegment erlernt ein Modell, was ein Defekt und was ein „gutes“ Teil in einem Bild ist. Dies erfolgt durch Training mit Bildern, die die erwartete Segmentierung ausweisen. Das Tool kann dann verwendet werden, um die Defekte in neuen Bildern zu erkennen und zu segmentieren. Der überwachte Modus in EasySegment erzielt eine höhere Genauigkeit, da die erwartete Segmentierung bekannt ist und so komplexere Defekte segmentiert werden können, als im nicht überwachten Modus.
Unser Beispieldatensatz „Kaffee“ zeigt, wie Fremdmaterialien in Produktionslinien mit dem überwachten EasySegment-Modus effizient erkannt und segmentiert werden können, selbst wenn Farbe und Textur der Fremdmaterialien dem Produkt von Interesse sehr ähnlich sind.
EasySegment ist das Segmentierungstool des Deep-Learning-Pakets. EasySegment übernimmt die Erkennung und Segmentierung von Defekten. Es erkennt Teile mit Defekten und weist die Stelle im Bild sehr genau aus. Der unüberwachte Modus von EasySegment erarbeitet ein Modell von dem, was ein „gutes“ Beispiel ist (z. B. ein Beispiel ohne jegliche Defekte). Dies wird durch ein Training mit ausschließlich „guten“ Beispielen erreicht. Das Tool kann dann zur Klassifizierung von neuen Bildern als gut oder defekt und zur Segmentierung der Defekte in diesen Bildern verwendet werden. Durch das Training mit ausschließlich Bildern guter Beispiele kann der nicht überwachte Modus von EasySegment Inspektionen auch dann durchführen, wenn die Art des Defekts vorab nicht bekannt ist oder wenn defekte Beispiele nicht leicht verfügbar sind.
Deep Learning ist grundsätzlich nicht für Anwendungen geeignet, die präzise Messungen oder Einschätzungen erfordern. Es ist auch nicht empfehlenswert, wenn bestimmte Arten von Fehlern (wie falsch-negative) völlig inakzeptabel sind. Der nicht überwachte Modus von EasySegment ist gut für Aufgaben zur Erkennung und Segmentierung von Defekten, insbesondere, wenn Defektbeispiele schwer zu beschaffen zu. Deep-Learning-Tools funktionieren sehr gut mit Bildern von natürlichen oder gefertigten Objekten mit komplexen Oberflächenmustern (z. B. Holz, Stoff usw.), bei denen die Erkennung von Defekten mit konventionellen Machine-Vision-Algorithmen sehr schwierig ist. Darüber hinaus kann das „Lernen anhand von Beispielen“ von Deep Learning auch die Entwicklungszeit eines Computervision-Prozesses reduzieren.
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.
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.
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!