EasyDeepLearning

Konvolutionale neuronale netzwerkbasierte Bildklassifizierungsbibliothek

Im Überblick
  • Umfasst Funktionen zur Erstellung von Datensätzen, zum Klassifikatortraining und zur Bildklassifizierung
  • Kompatibel mit CPU- und GPU-Verarbeitung
  • Kann defekte Produkte erkennen oder Produkte nach verschiedenen Klassen sortieren
  • Unterstützt Datenaugmentation und kommt mit nur ein paar Hundert Trainingsbildern pro Klasse aus
  • Umfasst die kostenlose Studio-Anwendung, die das Erstellen von Deep Learning-Anwendungen erleichtert

Vergleichen Händler


Was ist Deep Learning?
Was ist Deep Learning?

  • Künstliche neuronale Netze sind Rechnersysteme, die biologische neuronale Netze, aus denen das menschliche Gehirn besteht, als Vorbild haben. Konvolutionale neuronale Netz (KNN) sind eine Klasse von Deep Feedforward-Netzen (mehrschichtige künstliche neuronale Netze), die meistens für die Analyse von Bildern eingesetzt werden. Deep Learning nutzt CNNs zu Lösung komplexer Probleme, die mit sogenannten konventionellen Computervision-Algorithmen schwierig oder unmöglich zu lösen sind. EasyDeepLearning lernt anhand von Beispielen. Es lernt, Defekte zu unterscheiden oder Teile zu klassifizieren, indem es viele Bilder der zu inspizierenden Teile gezeigt bekommt. Dies wird als Trainingsprozess bezeichnet.
  • Dabei muss der Benutzer EasyDeepLearning nicht erklären, wie gute von schlechten Teilen unterschieden oder wie Produkte der jeweiligen Klassen erkannt werden; der Benutzer muss lediglich die Trainingsbilder kennzeichnen, also angeben, welche gut und welche schlecht sind bzw. welche zu welcher Klasse gehören. Nach diesem Lern-/Trainingsprozess kann die EasyDeepLearning-Bibliothek Bilder klassifizieren. EasyDeepLearning gibt für alle Bilder eine Liste mit Wahrscheinlichkeiten zurück, inwieweit das Bild zu einer der von ihr „gelernten“ Klassen gehört. Wenn beispielsweise schlechte von guten Teilen unterschieden werden müssen, gibt EasyDeepLearning für jedes Teil an, mit welcher Wahrscheinlichkeit es gut oder schlecht ist.


Wofür eignet sich EasyDeepLearning und wofür nicht?
Wofür eignet sich EasyDeepLearning und wofür nicht?

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. EasyDeepLearning liefert bessere Ergebnisse als herkömmliche Bildverarbeitungssysteme, wenn Defekte schwer explizit zu benennen sind, beispielsweise, wenn die Klassifizierung von komplexen Formen und Texturen mit verschiedenen Größenordnungen und Positionen abhängt. Darüber hinaus kann das „Lernen anhand von Beispielen“ von Deep Learning auch die Entwicklungszeit eines Computervision-Prozesses reduzieren.


Entwickelt mit Unterstützung der technologischen Entwicklungsabteilung DG06
Entwickelt mit Unterstützung der technologischen Entwicklungsabteilung DG06


Datenaugmentation
Datenaugmentation

Deep Learning funktioniert durch Trainieren eines neuronalen Netzes, Referenzbilder zu klassifizieren. Die Zuverlässigkeit dieses Prozesses hängt maßgeblich davon ab, wie repräsentativ und umfassend die Referenzbilder sind. EasyDeepLearning 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 EasyDeepLearning mit nur ein paar Hundert Trainingsbildern pro Klasse aus.


Warum sollte ich mich für Open eVision EasyDeepLearning entscheiden?
Warum sollte ich mich für Open eVision EasyDeepLearning entscheiden?

Warum sollte ich mich für Open eVision EasyDeepLearning entscheiden, obwohl Open-Source-Versionen neuronaler Netze kostenlos verfügbar sind?

  • EasyDeepLearning wurde speziell zum Analysieren von Bildern und insbesondere für Bildverarbeitungssysteme entwickelt, parametrisiert und optimiert.
  • EasyDeepLearning hat eine einfache API und der Benutzer kann mit nur ein paar Codezeilen alle Vorteile von Deep Learning nutzen.
Feel free to download and evaluate EasyDeepLearning using EasyDeepLearning Studio, and feel free to call Euresys’ support should you have any question.


<a href="https://www.euresys.com/Products/Machine-Vision-Software/Open-eVision-Studio/Open-eVision-Studio"  target="_blank">EasyDeepLearning Studio</a>
EasyDeepLearning Studio

Open eVision umfasst auch die Anwendung EasyDeepLearning Studio. Diese Anwendung unterstützt den Benutzer in den Lern- und Testphasen.


Leistung
Leistung

Deep Learning erfordert generell und insbesondere in der Lernphase eine beträchtliche Verarbeitungsleistung. EasyDeepLearning 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.


Software
Host PC Operating System
  • Open eVision is a set of 32-bit and 64-bit libraries that require a processor compatible with the SSE2 instruction set.
  • The EasyDeepLearning library is only available in the 64-bit Open eVision library.
  • Open eVision can be used on the following operating systems:
    • Windows 10 (32- and 64-bits)
    • Windows 8 (32- and 64-bits)
    • Windows 7 (32- and 64-bits)
  • Since Open eVision 2.6, discontinued support of:
    • Windows Vista 32-bits Service Pack 1
    • Windows XP 32-bits Service Pack 3
    • Windows Embedded Standard 2009 32-bits
  • The Open eVision installer does not allow installation on virtual machines.
  • Minimum requirements:
    • RAM: 8 GB
    • Display size: 800 x 600. 1280 x 1024 recommended.
    • Color depth: 16 bits. 32 bits recommended.
    • Between 100 MB and 2 GB free hard disk space for libraries, depending on selected options.
APIs
  • Supported Integrated Development Environments and Programming Languages:
    • Microsoft Visual Studio .NET 2003 SP1 (C++)
    • Microsoft Visual Studio 2005 SP1 (C++, C#, VB .NET, C++/CLI)
    • Microsoft Visual Studio 2008 SP1 (C++, C#, VB .NET, C++/CLI)
    • Microsoft Visual Studio 2010 (C++, C#, VB .NET, C++/CLI)
    • Microsoft Visual Studio 2012 (C++, C#, VB .NET, C++/CLI)
    • Microsoft Visual Studio 2013 (C++, C#, VB .NET, C++/CLI)
    • Microsoft Visual Studio 2015 (C++, C#, VB .NET, C++/CLI)
    • Microsoft Visual Studio 2017 (C++, C#, VB .NET, C++/CLI)
  • Since Open eVision 2.6, discontinued support of:
    • Microsoft Visual Studio 6.0 SP6 (C++, Basic)
    • Borland C++ Builder 6.0 update 4 (C++)
    • CodeGear C++ Builder 2009 (C++)
    • CodeGear Delphi 2009 (Object Pascal)
    • Embarcadero RAD Studio XE4 (C++, Object Pascal)
    • Embarcadero RAD Studio XE5 (C++, Object Pascal)
Ordering Information
Product code - Description
Optional accessories
Presence Check

An-/Abwesenheitsprüfung

Die Graustufen-Analysefunktionen von EasyImage werden für einfache An-/Abwesenheitsprüfungen verwendet
Surface

Oberflächenanalyse

EasyImage wird zur Erkennung von Oberflächenfehlern verwendet und die Blob-Analysefunktionen von EasyObject können diese segmentieren und messen.
Assembly

Baugruppeninspektion

Code Verification

Code-Qualitätsüberprüfung für Etikettendruckmaschinen