EasyLocate

Bibliothek zur Lokalisierung und Klassifizierung anhand von Deep Learning

Im Überblick
  • Lokalisierung und Identifikation von Objekten/Produkten/Defekten
  • Zählung von Objekten
  • Auf Achse ausgerichtete umschließende Quader: für eine präzise Annotation und Lokalisierung mehrerer Objekte und Größen
  • Punkt von Interesse: für eine schnelle Annotation einzelner Punkte und Lokalisierung von Objekten ähnlicher Größe
  • Unterstützt Datenaugmentation und Masken
  • Kompatibel mit CPU- und GPU-Verarbeitung
  • Umfasst die kostenlose Deep Learning Studio-Anwendung für die Erstellung von Datensätzen, Training und Evaluierung
  • Nur verfügbar als Teil des Deep-Learning-Pakets



Vergleichen Händler


Neu in Open eVision 22.08
Neu in Open eVision 22.08

  • 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.


Beschreibung von EasyLocate
Beschreibung von EasyLocate

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 Studio
Deep Learning Studio

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.


Vergleich der Bibliotheken im Deep-Learning-Paket
Vergleich der Bibliotheken im Deep-Learning-Paket


Alle Open eVision-Bibliotheken sind für Windows und Linux verfügbar
Alle Open eVision-Bibliotheken sind für Windows und Linux verfügbar

  • 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


Neu in Open eVision 22.04
Neu in Open eVision 22.04

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


Datenaugmentation
Datenaugmentation

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.


Leistung
Leistung

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.


Beispieldatensatz: Elektronische Komponenten
Beispieldatensatz: Elektronische Komponenten

Unser Datensatz „Electronic Component“ zeigt, wie EasyLocate dank umschließender Quader trotz schlechter Lichtverhältnisse zuverlässig verschiedene Arten elektronischer Standardkomponenten erkennt und zählt, die sich lose in Plastikbeuteln befinden.


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


Was ist Deep Learning?

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.


Warum sollten Sie sich für das Deep-Learning-Paket von Open eVision entscheiden?
Warum sollten Sie sich für das Deep-Learning-Paket von Open eVision entscheiden?

  • 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.
EasyClassify, EasySegment und EasyLocate können nicht separat gekauft werden. Sie sind nur als Teil des Deep-Learning-Pakets erhältlich.
Laden Sie das Deep-Learning-Paket doch gleich heute herunter und testen Sie es mit Deep Learning Studio. Bei Fragen können Sie sich gerne an den Support von Euresys wenden.


Beispieldatensatz: Ceramic Capacitor
Beispieldatensatz: Ceramic Capacitor

Unser Datensatz „Ceramic Capacitor“ zeigt, wie EasyLocate dank Punkten von Interesse zuverlässig viele Keramikkondensatoren, die sich überschneiden oder gegenseitig berühren, erkennen und zählen kann.


Neo-Lizenzsystem
Neo-Lizenzsystem

  • 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.


Software
Host PC Operating System
  • Open eVision is a set of 32-bit and 64-bit libraries that require an Intel compatible processor with the SSE4 instruction set or an ARMv8-A compatible processor.
  • The Deep Learning Bundle is only available in the 64-bit Open eVision library.
  • Open eVision can be used on the following operating systems:
    • Windows 11 (64-bits)
    • Windows 10 (32- and 64-bits)
    • Windows 8 (32- and 64-bits)
    • Windows 7 (32- and 64-bits)
    • Linux 64 bits (x86-64 and ARMv8-A) with a glibc version greater or equal to 2.18
  • 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
  • Remote connections
    • Remote connections are allowed using remote desktop, TeamViewer or any other similar software.
  • Virtual machines
    • Linux virtual machines are supported. Microsoft Hyper-V and Oracle VirtualBox hypervisors have been successfully tested.
    • Windows virtual machines are not supported.
  • Minimum requirements:
    • 2 GB RAM to run an Open eVision application
    • 8 GB RAM to compile an Open eVision application
    • 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 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)
    • Microsoft Visual Studio 2019 (C++, C#, VB .NET, C++/CLI)
    • Microsoft Visual Studio 2022 (C++, C#, VB .NET, C++/CLI)
    • QtCreator 4.15 with Qt 5.12
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.
Code Verification

Code-Qualitätsüberprüfung für Etikettendruckmaschinen