Deep Learning Bundle

• A new code reader tool ECodeReader allowing to read multiple code types from a single integrated interface
• Deep Learning Studio is now available on Linux ARM-64 platforms
• Neural Network “engines” allow additional devices support (OpenVINO, Tensor RT) and increased speed.
• EasyBarCode2 now supports learning from images to improve its capabilities on similar images.

• Deep Learning Studioに、EasySegment教師ありアノテーションを使用するための新しい補助セグメンテーションツールが導入されました。ピクセルパーフェクトでアノテーションを実行する迅速で有効な手法を提供します。
• EasyFindのサポート範囲が拡張されました:
  • ベクトル学習パターン。この拡張機能は、既知のジオメトリを持つオブジェクトを見つけ出すのに最適です。
  • フィーチャポイントテクノロジーを用いたパターンマッチング
• EasyBarCode2およびEasyQRCodeでGS1シンボロジーがサポートされました。
• EasyMatrixCode2でData Matrix Rectangular Extension（ISO/IEC 21471、DMRE: 拡張長方形データマトリクス）がサポートされました。

• EasyLocate Interest Point: すべての物体のサイズが同じである場合に、データセットのアノテーションとツールの構成を単純化する新しい動作モード（EasyLocate Axis Aligned Bounding Boxの代替モード）。クリック1回で、EasyLocate Interest Pointオブジェクトにアノテーションを付けられます。
• EasyGauge: 点、線、矩形、円形、およびウェッジゲージのほかに、新しい多角形ゲージを追加。
• NVIDIA JetsonでGPUプロセッシングをサポートするようになったDeep Learningツール。
• 単純化されたC++ヘッダーでコンパイル時間を短縮し、Open eVision APIの呼び出しコストを削減。

すべてのOpen eVisionライブラリを組み込みARMデバイスでご利用いただけるようになりました。

ディープラーニングには、特に学習段階において、一般的に非常に高いプロセッシング能力が必要となります。Deep Learning Bundleは、標準的なCPUをサポートしており、PC内のNvidia CUDA対応GPUを自動的に検出します。通常、1つのGPUの使用によって、学習と処理の段階は100倍速くなります。

ニューラルネットワークは、人間の脳を構成する生態的なニューラルネットワークからヒントを得たコンピューティングシステムです。畳み込みニューラルネットワーク (CNN) は、画像解析の分野で最も一般的に使用される、深層のフィードフォワード人工ニューラルネットワークの一種です。 ディープラーニングは、大規模なCNNを使って、いわゆる従来型のコンピュータビジョンアルゴリズムでは解決しにくい、または解決できない複雑な問題を解決します。ディープラーニングアルゴリズムの学習には例が使用されることが一般的であるため、より扱いやすいアルゴリズムといえます。ユーザーが部品を分類したり検査したりする方法を理解する必要はなく、トレーニングの始めの段階で検査対象の画像を多数示すだけで学習処理が進められます。トレーニングが正常に完了すると、部品の分類や欠陥の検出・分離に使用できるようになります。

EasyClassifyはDeep Learning Bundleの分類ツールです。 EasyClassifyではユーザーがトレーニング画像にラベル付けを行う必要があります。合格と不合格を示し、どのクラスに属するのかを指定する作業です。この学習/トレーニングプロセスが完了すると、EasyClassifyライブラリは画像を分類できるようになります。ある画像について、その画像がティーチングされたクラスに該当する可能性を示した、確率のリストを返します。たとえば、プロセスに不合格品と合格品を分ける設定が必要な場合、EasyClassifyは、各部品が合格か不合格かを返し、その確率を示します。

EasySegmentはDeep Learning Bundleの分離ツールです。EasySegmentは検出と分離を実行します。欠陥のある部品を識別し、その欠陥の正確な位置を画像内でピンポイントに示します。EasySegmentの教師ありモードは画像内の欠陥と「合格」部分のモデルを学習することで機能します。これには、予測セグメンテーションとして注釈がつけられた画像を使ったトレーニングを通じて行われ、それが完了すると、新しい画像の欠陥を検出して分離するために使用できるようになります。EasySegmentの教師ありモードは精度が高く、期待されるセグメンテーションに関する知識に基づくことで、教師なしモードに比べてより複雑な欠陥を分離することができます。

Open eVisionには無償のDeep Learning Studioアプリケーションが含まれます。このアプリケーションは、データセットの作成やディープラーニングツールのトレーニングと検証においてユーザーを支援するためのツールです。Deep Learning StudioはEasySegmentにアノテーションツールを統合し、予測結果を正解アノテーションに変換することを可能にします。また、ツールを性能要件に合わせてグラフィカルに設定することも可能になります。たとえば、トレーニングの後で、より高い欠陥検出率とより高い合格検出率のどちらかを選択することができます。

• Neoは、Euresysの新しいライセンス管理システムです。信頼性が高く最新式のNeoは、Open eVisionとeGrabberのライセンスの保管にもりようできるようになりました。
• Neoでは、NeoドングルまたはNeoソフトウェアコンテナーの2通りから、ライセンスを有効化する手段を選ぶことができます。ライセンスを購入してから、お選びください。
• 頑丈なハードウェアで提供されるNeoドングルでは、1台のコンピューターから別のコンピューターにライセンスを移動できる柔軟性が備わっています。
• Neoソフトウェアコンテナーは、専用のハードウェアを使用する代わりに、ライセンスを有効化したコンピューターにリンク付けられます。
• Neoには2種類の操作が可能な専用のライセンスマネージャーが付属しています。直感的に操作できるグラフィカルユーザーインターフェイスと、Neoによるライセンス管理の自動化を容易に行えるコマンドラインインターフェイスのどちらででも作業が可能です。

• Deep Learning Bundleは、特にマシンビジョン用途での画像解析を念頭に、調整、パラメーター化、および最適化されています。
• Deep Learning BundleのAPIは単純であるため、数行のみのコードでディープラーニング技術の性能を活用できます。
• ご購入前にお試しください: Deep Learning Bundleには、Deep Learning Studioトレーニング・評価アプリケーションが同梱されています。

EasySegmentはDeep Learning Bundleの分離ツールです。EasySegmentは検出と分離を実行します。欠陥のある部品を識別し、その欠陥の正確な位置を画像内でピンポイントに示します。EasySegmentの教師なしモードは、「合格」サンプル (欠陥のないサンプル) とされるモデルを学習して機能ます。これは、「合格」サンプルの画像のみを使ったトレーニングを通じて行われ、それが完了すると、新しい画像を合格または欠陥に分類し、これらの画像から欠陥を分離するために使用できるようになります。あらかじめ欠陥の種類が不明な場合や欠陥サンプルが手元にない場合でも、合格のサンプル画像のみを使ってトレーニングすることで、EasySegmentの教師なしモードを使って検査を実施できます。

EasyLocateは、Deep Learning Bundleの位置検出および識別ライブラリで、画像内のオブジェクト、製品、または欠陥の位置を検出し、識別するために使用できます。重なり合うオブジェクトを区別する能力を備えているため、オブジェクトのインスタンスの数を数えるのに最適です。2つの手法を使用できます。

• 「EasyLocate Axis Aligned Bounding Box」は、画像内で検出された各オブジェクト（または欠陥）を囲むボンディングボックスを予測し、各ボンディングボックスにクラスラベルを割り当てます。検出される必要のあるオブジェクト（または欠陥）にボンディングボックスとクラスラベルが付けられている画像を使ってトレーニングする必要があります。
• 「EasyLocate Interest Point」は、画像内で検出された各オブジェクト（または欠陥）の位置（1つのポイント、通常は中心としての位置だが、そうでない場合は定義）を予測し、それぞれの位置にクラスラベルを割り当てます。画像内のすべてのオブジェクト（または欠陥）には、同じ近似サイズがある必要があります。検出される必要のあるオブジェクト（または欠陥）に関心点とクラスラベルで単純にアノテーションが付けられている画像を使ってトレーニングする必要があります。アノテーション付けのプロセスは、1回のクリックで十分にオブジェクトにアノテーションを付けられる EasyLocate Interest Pointを使うとさらに素早く行えます。

• Windows 7～Windows 10 x86（32ビット）およびx86-64（64ビット）
• Windows 11 x86-64（64ビット）
• glibcバージョン2.18以降のLinux 64ビット（x86-64およびARMv8-A）