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.

• In Deep Learning Studio ist ein neues Segmentierungstool mit Assistenzfunktionen für Annotationen mit EasySegment Supervised verfügbar. Es bietet eine schnelle und effiziente Möglichkeit für pixelperfekte Annotationen.
• EasyFind wurde erweitert und unterstützt nun:
  • Vektor-Trainingsmuster. Diese Erweiterung eignet sich hervorragend, um Objekte mit einer bekannten Geometrie zu finden.
  • Pattern-Matching mit Merkmalspunkt-Technologie
• EasyBarCode2 und EasyQRCode unterstützen jetzt die GS1-Symbologie.
• EasyMatrixCode2 unterstützt jetzt die rechteckige Erweiterung des Data Matrix Codes (ISO/IEC 21471, DMRE).

• Der Modus „Punkt von Interesse“ von EasyLocate: Neue Arbeitsmethode (alternativ zum Modus „Auf Achse ausgerichteter umschließender Quader“ von EasyLocate), mit der die Annotation des Datensatzes und die Konfiguration der Tools vereinfacht wird, wenn alle Objekte die gleiche Größe haben. Mit nur 1 Klick kann ein „Punkt von Interesse“-Objekt annotiert werden.
• EasyGauge: Neue Polygon-Messlehre zusätzlich zu Punkt-, Linien-, Rechteck-, Kreis- und Keil-Messlehren
• Deep-Learning-Tools unterstützen jetzt GPU-Verarbeitung auf NVIDIA Jetson.
• Schnellere Kompilierungszeit mit vereinfachten C++-Headern und geringeren Abrufkosten zur Open eVision API.

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.

• Neo ist das neue Lizenzsystem von Euresys. Es ist zuverlässig, auf dem neusten Stand der Technik und jetzt zum Speichern von Open eVision- und eGrabber-Lizenzen verfügbar.
• Mit Neo können Sie auswählen, wo Ihre Lizenzen aktiviert werden sollen: auf einem Neo-Dongle oder in einem Neo-Softwarecontainer. Sie kaufen eine Lizenz und entscheiden später.
• Neo-Dongles bieten eine robuste Hardware und die Flexibilität der Übertragung von einem Computer auf einen anderen.
• Neo-Softwarecontainer benötigen keine spezielle Hardware. Sie sind mit dem Computer verknüpft, auf dem sie aktiviert wurden.
• Im Lieferumfang von Neo ist der dedizierte Neo-Lizenzmanager in zwei Ausführungen enthalten: Als intuitive, benutzerfreundliche grafische Benutzeroberfläche und als Befehlszeilenschnittstelle zur einfachen Automatisierung der Neo-Lizenzverfahren.

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.

EasyClassify ist das Klassifizierungstool des Deep-Learning-Pakets. Bei EasyClassify muss der Anwender die trainierten Bilder kennzeichnen, also angeben, welche gut und welche schlecht sind bzw. welche zu welcher Klasse gehören. Nach diesem Lern-/Trainingsprozess kann die EasyClassify-Bibliothek Bilder klassifizieren. Sie 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 EasyClassify für jedes Teil an, mit welcher Wahrscheinlichkeit es gut oder schlecht ist.

>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.

• 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

• Das Deep-Learning-Paket wurde speziell zum Analysieren von Bildern und insbesondere für Bildverarbeitungssysteme entwickelt, parametrisiert und optimiert.
• Das Deep-Learning-Paket hat eine einfache API und der Anwender kann mit nur ein paar Codezeilen alle Vorteile der Deep-Learning-Technologien nutzen.
• Testen Sie vor dem Kauf: Im Deep-Learning-Paket ist die kostenlose Anwendung „Deep Learning Studio“ für Trainng und Evaluierung enthalten.

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.

EasyLocate ist die Bibliothek für Lokalisierung und Identifikation des Deep-Learning-Pakets. Sie wird zum Lokalisieren und Identifizieren von Objekten, Produkten oder Defekten in einem Bild verwendet. EasyLocate kann überlappende Objekte erkennen und ist somit zum Zählen der Anzahl an Objektinstanzen geeignet. Es sind zwei Methoden verfügbar:

• Der Modus „Auf Achse ausgerichteter umschließender Quader“ von EasyLocate sagt den Quader voraus, der jedes Objekt bzw. jeden Defekt umschließt und im Bild gefunden wurde. Anschließend wird jedem umschließenden Quader eine Klassenkennzeichnung zugewiesen. EasyLocate muss mit Bildern trainiert werden, bei denen die zu findenden Objekte (oder Defekte) mit einem umschließenden Quader und einer Klassenkennzeichnung ausgewiesen sind.
• Der Modus „Punkt von Interesse“ von EasyLocate sagt die Position (als Punkt, der in der Regel in der Mitte liegt, aber auch anders definiert sein kann) für alle Objekte (oder Defekte) voraus, die im Bild gefunden wurden, und weist ihnen jeweils eine Klassenkennzeichnung zu. Alle Objekte (oder Defekte) im Bild müssen ungefähr die gleiche Größe haben. EasyLocate muss mit Bildern trainiert werden, bei denen die zu findenden Objekte (oder Defekte) mit einem Punkt von Interesse und einer Klassenkennzeichnung ausgewiesen sind. Der Annotationsprozess ist mit dem Modus „Punkt von Interesse“ von EasyLocate schneller, da 1 Klick ausreicht, um ein Objekt zu annotieren.

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.