Neu

EasySegment

Bibliothek zur Segmentierung anhand von Deep Learning

Im Überblick
  • Nicht überwachter Modus: Training ausschließlich mit „guten“ Bildern zum Erkennen und Segmentieren von Anomalien und Defekten in neuen Bildern
  • Funktioniert mit jeder Bildauflösung
  • 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


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.


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.


EasySegment Description
EasySegment Description

EasySegment is the segmentation tool of Deep Learning Bundle. EasySegment übernimmt die Erkennung und Segmentierung von Defekten. Es erkennt Teile mit Defekten und weist die Stelle im Bild sehr genau aus. Im nicht überwachten Modus erarbeitet EasySegment 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.


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 und EasySegment 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.


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


Wofür eignet sich EasySegment?
Wofür eignet sich EasySegment?

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. Der nicht überwachte Modus von EasySegment ist gut für Aufgaben zur Erkennung und Segmentierung von Defekten, insbesondere, wenn Defektbeispiele schwer zu beschaffen zu. Deep-Learning-Tools funktionieren sehr gut mit Bildern von natürlichen oder gefertigten Objekten mit komplexen Oberflächenmustern (z. B. Holz, Stoff usw.), bei denen die Erkennung von Defekten mit konventionellen Machine-Vision-Algorithmen sehr schwierig ist. Darüber hinaus kann das „Lernen anhand von Beispielen“ von Deep Learning auch die Entwicklungszeit eines Computervision-Prozesses reduzieren.


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 den nicht überwachten Modus von EasySegment kann das Tool mit Deep Learning Studio grafisch entsprechend den Leistungsanforderungen konfiguriert werden. Es kann beispielsweise nach dem Training ausgewählt werden, ob der Erkennungsrate von Defekten oder einer guten Erkennungsrate Vorrang gegeben werden soll.


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.
  • Deep Learning Bundle 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.
Code Verification

Code-Qualitätsüberprüfung für Etikettendruckmaschinen