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.

• 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.

Alle Open eVision-Bibliotheken sind jetzt auch für eingebettete ARM-Geräte verfügbar.

• 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.

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. EasyClassify 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.

• 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.

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.

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.

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

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.

• Windows 7 bis Windows 10 x86 (32 Bit) und x86-64 (64 Bit)
• Windows 11 x86-64 (64 Bit)
• Linux 64 Bit (x86-64 und ARMv8-A) mit einer glibc-Version ab 2.18