EasySegment

• Barcode grading with EasyBarCode2
• Benchmarking tool in Deep Learning Studio
• Learn feature for EasyMatrixCode
• Detect damaged data matrix codes
• Grading and better decoding for EasyBarCode
• Speed improvements for EasyMatch

• 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.

ディープラーニングは、ある一連の基準画像の分類方法をティーチングするなど、ニューラルネットワークをトレーニングすることによって実施されます。プロセスのパフォーマンスは、その一連の基準画像がどれくらい典型的であり広域であるかという点に大きく左右されます。Deep Learning Bundleは、「データ拡大」を実装しており、それによって、プログラム可能な範囲で既存の基準画像を修正する (シフト、回転、拡大縮小など) ことで追加の基準画像を作りだしています。そのため、Deep Learning Bundleでは、分類ごとに必要となるトレーニング画像はわずか100件に抑えることができます。

上の生地のサンプルデータセットが示すように、EasySegmentの教師なしモードは生地の欠陥を検出・分離するのに使用できます。トレーニングには少数の適切なサンプルがあれば十分で、また、どのような欠陥が予測されるかについての知識も必要ありません。さらに、EasySegmentの教師なしモードによる結果を検証し、正解としてインポートすることにより、教師ありモードに必要な予測セグメンテーションのアノテーションを容易にすることも可能です。

• Microsoft Windows 11, 10, 8.1, 7 for x86-64 (64-bit) processor architecture
• Linux for x86-64 (64-bit) and ARMv8-A (64-bit) processor architectures with a glibc version greater or equal to 2.18

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。

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。

• 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。

上のコービーのサンプルデータセットが示すように、EasySegmentの教師ありモードは、生産ラインおいて、色や質感が関心対象に非常に似通った異物を効率的に検出・分離するのに使用できます。

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。

一般的に、ディープラーニングは精密な測定や計量が必要な用途には向いていません。また、ある種のエラー (検出漏れなど) を容認できないような場合には、推薦されません。 EasySegmentの教師なしモードは、特に、欠陥サンプルの入手が困難な場合の検出と分離タスクに有効です。 ディープラーニングツールには、通常、自然物体や既製品の画像を使用できます。こういったものの表面パターン (木材、繊維など) は複雑であるため、従来のマシンビジョンアルゴリズムによる欠陥の検出は非常に困難です。 さらに、「お手本学習」というディープラーニングのパラダイムによって、コンピュータビジョンプロセスの開発時間を短縮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。

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。

• 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。