EasyClassify

• 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.

• 用于EasySegment Supervised批注的Deep Learning Studio有了一种新的辅助分割工具。它能快速高效地进行像素级的完美批注。
• 经过扩展后，EasyFind现在支持：
  • 矢量学习模式。这项扩展很适合于查找几何形状已知的对象。
  • 使用特征点技术匹配图案
• EasyBarCode2和EasyQRCode现在支持GS1符号系统
• EasyMatrixCode2现在支持数据矩阵矩形扩展（ISO/IEC 21471、DMRE）。

• EasyLocate兴趣点： 在所有对象的尺寸相同时，新的工作模式（替代EasyLocate轴对齐包围盒模式）可以简化数据集标注和工具配置。一键标注一个EasyLocate兴趣点对象。
• EasyGauge：除了点、线、矩形、圆和楔形量规外，还新增了多边形量规。
• 深度学习工具现在支持在NVIDIA Jetson上进行GPU处理。
• 通过简化的C++头文件和减少对Open eVision API的调用成本，加快编译速度。

现在所有 Open eVision 库也可以用于嵌入式ARM设备。

• Neo是Euresys的新型许可系统。它可靠而又先进，现在可用于存储Open eVision和eGrabber许可证。
• Neo支持您在Neo Dongle或Neo Software Container中选择许可证激活位置。先购买许可证，以后再做决定。
• Neo Dongle提供坚固的硬件，能灵活地从一台PC传输到另一台PC。
• Neo Software Container无需任何专用硬件，而是链接到其中已激活的计算机。
• Neo 自带专用的 Neo License Manager，它具有两种特点：直观、易用的图形用户界面和命令行界面，可轻松地自动执行 Neo 许可程序。

神经网络是受到构成人脑的生物神经网络启发的计算系统。卷积神经网络 (CNN) 是一类深度前馈人工神经网络，最常用于分析图像。 深度学习使用 CNN 来解决传统计算机视觉算法很难或无法解决的复杂问题。深度学习算法通常从示例中学习，因此更易于使用。它们不需要用户弄清楚如何对部件进行分类或检查。相反，在初期训练阶段，它们通过显示多张待检验部件图来从中学习。成功训练后，即可对部件进行分类，或是检测和分割缺陷。

深度学习通常不适合需要精确测量或计量的应用。当某些类型的错误（例如漏报）完全不可接受时，也不会建议使用。 在难以明确指定缺陷的情况下，EasyClassify 的表现优于传统的机器视觉，例如根据不同尺度和位置的复杂形状和纹理进行分类时。 此外，“从示例中学习”的深度学习模式也可以缩短计算机视觉处理的开发时间。

• Deep Learning Bundle 经过定制、参数化和优化，可用于分析图像，尤其适合用于机器视觉应用。
• Deep Learning Bundle 的 API 很简单，这些深度学习技术只用为数不多的代码行就实现了强大的功能。
• 先试后买：Deep Learning Bundle 随附免费的 Deep Learning Studio 训练和评估应用程序。

深度学习通常需要极大的处理能力，在学习阶段更是如此。Deep Learning Bundle 支持标准 CPU，自动检测 PC 中兼容 Nvidia CUDA 的 GPU。只使用一块 GPU 通常就能将学习和处理速度加快 100 倍。

EasyClassify 是 Deep Learning Bundle 的分类工具。 EasyClassify 要求用户标记训练图像，也即告知哪些是优良图像，哪些是不良图像，或哪些图像属于哪个类别。在学习/训练过程之后，EasyClassify 库将对图像进行分类。对于提供的任何图像，它将返回概率列表，显示图像属于所示教类别的可能性。例如，如果流程要求将不良部件与优良部件分开，EasyClassify 将返回每个部件是优良还是不良，也会返回相应的概率。

深度学习的工作原理就是训练神经网络，示教一组参考图像的分类方式。这个过程的表现情况很大程度上取决于这组参考图像的代表性和广泛性。Deep Learning Bundle 实现了“数据增强”，通过在可设定的限值内修改（例如通过移位、旋转、缩放）现有参考图像来创建另外的参考图像。如此一来，每种类别只需区区一百幅训练图像，Deep Learning Bundle 即可派上用场。

Open eVision 包含免费的 Deep Learning Studio 应用程序。在创建数据集以及深度学习工具的训练和测试过程中，该应用程序将为用户提供协助。对于 EasySegment，Deep Learning Studio 集成了注释工具，可以将预测转换为真实注释。它还支持根据性能要求以图形方式配置工具。例如训练过后，可以在更高的缺陷检测率或更高的良品检测率之间进行权衡。

• Windows 7到Windows 10，x86（32位）和x86-64（64 位）
• Windows 11 x86-64（64位）
• Linux 64位（x86-64和ARMv8-A），带glibc 2.18版或更高版本