EasySegment
Deep-Learning-Segmentierungsbibliothek
- Unüberwachter Modus: Trainieren Sie nur mit „guten“ Bildern, um Anomalien und Defekte in neuen Bildern zu erkennen und zu segmentieren.
- Überwachter Modus: Lernen Sie ein Modell der Defekte für eine bessere Segmentierung und Erkennungsgenauigkeit.
- Funktioniert mit jeder Bildauflösung.
- Unterstützt Datenvergrößerung und Masken.
- Kompatibel mit CPU- und GPU-Verarbeitung.
- Enthält die kostenlose Anwendung Deep Learning Studio zur Erstellung, zum Training und zur Evaluierung von Datensätzen.
- Erhältlich als Teil des Deep Learning Bundles.
- Auch als kostengünstige Lizenz nur für Inferenz verfügbar.
Beschreibung
-
EasySegment ist das Segmentierungswerkzeug des Deep Learning Bundle. EasySegment führt die Fehlererkennung und Segmentierung durch. Es identifiziert Teile, die Fehler enthalten, und lokalisiert diese präzise im Bild.
-
Der überwachte Modus von EasySegment lernt anhand eines Modells, was ein Defekt und was ein „guter” Teil in einem Bild ist. Dies geschieht durch Training mit Bildern, die mit der erwarteten Segmentierung annotiert sind. Anschließend kann das Tool verwendet werden, um die Defekte in neuen Bildern zu erkennen und zu segmentieren.
-
Der überwachte Modus von EasySegment erzielt eine höhere Präzision und kann dank der Kenntnis der erwarteten Segmentierung komplexere Fehler segmentieren als der unbeaufsichtigte Modus.
-
Der unbeaufsichtigte Modus von EasySegment lernt ein Modell dessen, was ein „gutes“ Muster ist (d. h. ein Muster ohne Fehler). Dies geschieht durch Training ausschließlich mit Bildern „guter“ Muster.
-
Anschließend kann das Tool verwendet werden, um neue Bilder als gut oder fehlerhaft zu klassifizieren und die Fehler aus diesen Bildern zu segmentieren. Durch das Training nur mit Bildern guter Proben ist der unbeaufsichtigte Modus von EasySegment in der Lage, Inspektionen durchzuführen, selbst wenn die Art des Fehlers nicht im Voraus bekannt ist oder wenn fehlerhafte Proben nicht ohne Weiteres verfügbar sind.
Was ist Deep Learning?
Neuronale Netze sind Computersysteme, die von den biologischen neuronalen Netzen des menschlichen Gehirns inspiriert sind. Faltungsneuronale Netze (Convolutional Neural Networks, CNN) sind eine Klasse tiefer, vorwärtsgerichteter künstlicher neuronaler Netze, die am häufigsten zur Bildanalyse eingesetzt werden. Deep Learning nutzt große CNNs, um komplexe Probleme zu lösen, die mit sogenannten konventionellen Algorithmen der Bildverarbeitung nur schwer oder gar nicht zu lösen sind. Deep-Learning-Algorithmen sind möglicherweise einfacher zu verwenden, da sie in der Regel anhand von Beispielen lernen. Der Anwender muss nicht selbst herausfinden, wie Teile klassifiziert oder während der Inspektion geprüft werden sollen. Stattdessen lernen sie in einer anfänglichen Trainingsphase allein dadurch, dass ihnen viele Bilder der zu inspizierenden Teile gezeigt werden. Nach erfolgreichem Training können sie zur Klassifizierung von Teilen oder zur Erkennung und Segmentierung von Fehlern eingesetzt werden.
Wozu eignet sich EasySegment?
Deep Learning ist im Allgemeinen nicht für Anwendungen geeignet, die präzise Messungen oder Vermessungen erfordern. Es wird auch nicht empfohlen, wenn bestimmte Arten von Fehlern (z. B. falsch-negative Ergebnisse) völlig inakzeptabel sind. Der unbeaufsichtigte Modus von EasySegment eignet sich gut für die Fehlererkennung und Segmentierung, insbesondere wenn fehlerhafte Proben schwer zu beschaffen sind. Deep-Learning-Tools funktionieren in der Regel sehr gut mit Bildern von natürlichen oder hergestellten Objekten, die komplexe Oberflächenmuster aufweisen (z. B. Holz, Stoff usw.), die die Erkennung von Fehlern durch herkömmliche Bildverarbeitungsalgorithmen sehr erschweren. Darüber hinaus kann das Paradigma des Deep Learning, „durch Beispiele zu lernen“, auch die Entwicklungszeit eines Bildverarbeitungsprozesses verkürzen.
EasySegment-Überwachungsmodus
EasySegment ist das Segmentierungswerkzeug des Deep Learning Bundle. EasySegment führt die Fehlererkennung und Segmentierung durch. Es identifiziert Teile, die Fehler enthalten, und lokalisiert diese präzise im Bild. Der überwachte Modus von EasySegment lernt anhand eines Modells, was ein Defekt und was ein „guter” Teil in einem Bild ist. Dies geschieht durch Training mit Bildern, die mit der erwarteten Segmentierung annotiert sind. Anschließend kann das Tool verwendet werden, um die Defekte in neuen Bildern zu erkennen und zu segmentieren. Der überwachte Modus von EasySegment erzielt dank der Kenntnis der erwarteten Segmentierung eine höhere Präzision und kann komplexere Defekte segmentieren als der unbeaufsichtigte Modus.
EasySegment Unüberwachter Modus
EasySegment ist das Segmentierungswerkzeug des Deep Learning Bundle. EasySegment führt Fehlererkennung und Segmentierung durch. Es identifiziert Teile, die Fehler enthalten, und lokalisiert genau, wo sie sich im Bild befinden. Der unbeaufsichtigte Modus von EasySegment lernt ein Modell dessen, was ein „gutes” Muster ist (d. h. ein Muster ohne Fehler). Dies geschieht, indem es nur mit Bildern von „guten” Mustern trainiert wird. Anschließend kann das Tool verwendet werden, um neue Bilder als gut oder fehlerhaft zu klassifizieren und die Fehler aus diesen Bildern zu segmentieren. Durch das Training ausschließlich mit Bildern guter Muster ist der unbeaufsichtigte Modus von EasySegment in der Lage, Inspektionen durchzuführen, selbst wenn die Art des Fehlers nicht im Voraus bekannt ist oder wenn fehlerhafte Muster nicht ohne Weiteres verfügbar sind.
Kostengünstige Inferenzlizenz
In der Regel erfordert der Einsatz von Deep Learning in der Produktion lediglich die Inferenzverarbeitung. Unter Inferenz versteht man den Vorgang, bei dem ein zuvor trainiertes Modell zur Inspektion und Analyse neu erfasster Bilder verwendet wird. Das Training erfolgt in den meisten Fällen offline. Das Training kann über die eVision-API durchgeführt werden und erfordert eine Lizenz für das Deep-Learning-Bundle. Alternativ kann das Training auch kostenlos mit der Anwendung „Deep Learning Studio“ durchgeführt werden. Lizenzen, die ausschließlich für die Inferenz gelten, stellen eine Alternative zur Deep-Learning-Bundle-Lizenz dar und ermöglichen es dem Kunden, kostenoptimierte Deep-Learning-Lösungen einzusetzen.
Datenerweiterung
Deep Learning funktioniert durch das Trainieren eines neuronalen Netzes, dem beigebracht wird, wie eine Reihe von Referenzbildern klassifiziert wird. Die Leistungsfähigkeit des Verfahrens hängt in hohem Maße davon ab, wie repräsentativ und umfangreich die Referenzbildersammlung ist. Das Deep-Learning-Bundle nutzt die „Datenaugmentation“, bei der durch Modifikation (z. B. Verschieben, Drehen, Skalieren) bestehender Referenzbilder innerhalb programmierbarer Grenzen zusätzliche Referenzbilder erzeugt werden. Dadurch kann das Deep-Learning-Bundle bereits mit nur hundert Trainingsbildern pro Klasse arbeiten.
Leistung
Deep Learning erfordert in der Regel erhebliche Rechenleistung, insbesondere während der Trainingsphase. Das Deep-Learning-Bundle unterstützt Standard-CPUs und erkennt automatisch Nvidia-CUDA-kompatible GPUs im PC. Der Einsatz einer einzigen GPU beschleunigt das Training und die Verarbeitungsphasen in der Regel um den Faktor 100.
Weitere Vorteile
Neo-Lizenzierungssystem
Neo ist das neue Lizenzierungssystem. Es ist zuverlässig, auf dem neuesten Stand der Technik und steht nun für die Speicherung von eVision- und eGrabber-Lizenzen zur Verfügung. Mit Neo können Sie wählen, wo Sie Ihre Lizenzen aktivieren möchten – entweder auf einem Neo-Dongle oder in einem Neo-Software-Container. Sie kaufen eine Lizenz und entscheiden sich später.
Neo-Dongles bieten robuste Hardware und die Flexibilität, von einem Computer auf einen anderen übertragen zu werden. Neo-Software-Container benötigen keine spezielle Hardware, sondern sind stattdessen an den Computer gebunden, auf dem sie aktiviert wurden.
Neo wird mit einem eigenen, dedizierten Neo-Lizenzmanager ausgeliefert, der in zwei Varianten erhältlich ist: als intuitive, benutzerfreundliche grafische Benutzeroberfläche und als Befehlszeilenschnittstelle, die eine einfache Automatisierung der Neo-Lizenzierungsvorgänge ermöglicht.
Alle eVision-Bibliotheken für Windows und Linux
- Microsoft Windows 11, 10 für x86-64 (64-Bit) Prozessorarchitektur
- Microsoft Windows 11, 10 IoT Enterprise auf x86_64-Systemen
- Linux für x86-64 (64-Bit) und ARMv8-A (64-Bit) Prozessorarchitekturen mit einer glibc-Version größer oder gleich 2.18
Beispieldatensatz: Erkennung von Stofffehlern
Unser Beispieldatensatz „Fabric“ zeigt, wie der unbeaufsichtigte Modus von EasySegment verwendet werden kann, um Fehler in Fabric zu erkennen und zu segmentieren, wobei nur wenige gute Beispiele für das Training zur Verfügung stehen und keine Kenntnisse darüber vorliegen, welche Art von Fehlern zu erwarten sind. Darüber hinaus kann der unbeaufsichtigte Modus von EasySegment verwendet werden, um die Annotation der für den beaufsichtigten Modus erforderlichen Segmentierung zu vereinfachen, indem die Ergebnisse des unbeaufsichtigten Modus als Ground Truth überprüft und importiert werden.
Beispieldatensatz: Erkennung und Segmentierung von Fremdkörpern
Unser Beispieldatensatz „Kaffee“ zeigt, wie der überwachte Modus von EasySegment verwendet werden kann, um Fremdkörper in einer Produktionslinie effizient zu erkennen und zu segmentieren, selbst wenn die Farbe und Textur der Fremdkörper denen des gewünschten Produkts sehr ähnlich sind.
eVision Deep Learning Studio
eVision enthält die kostenlose Anwendung „Deep Learning Studio“. Diese Anwendung unterstützt den Benutzer sowohl bei der Erstellung des Datensatzes als auch beim Training und Testen des Deep-Learning-Tools. Für EasySegment integriert Deep Learning Studio ein Annotationswerkzeug und kann Vorhersagen in Ground-Truth-Annotationen umwandeln. Außerdem ermöglicht es die grafische Konfiguration des Tools, um es an die Leistungsanforderungen anzupassen. So kann man beispielsweise nach dem Training einen Kompromiss zwischen einer besseren Fehlererkennungsrate und einer besseren Erkennung von einwandfreien Objekten wählen.
Software
- Host PC Operating System
-
eVision is a set of 64-bit libraries that require an Intel compatible processor with the SSE4 instruction set or an ARMv8-A compatible processor.
eVision can be used on the following operating systems:
Microsoft Windows 11, 10 for x86-64 (64-bit) processor architecture
Microsoft Windows 11, 10 IoT Enterprise for x86-64 systems
Linux for x86-64 (64-bit) and ARMv8-A (64-bit) processor architectures with a glibc version greater or equal to 2.18
Remote connections
Remote connections are allowed using remote desktop, TeamViewer or any other similar software.
Virtual machines
Virtual machines are supported. Microsoft Hyper-V, Oracle VirtualBox and libvirt hypervisors have been successfully tested.
Only the Neo Licensing System is compatible with virtualization.
Minimum requirements:
2 GB RAM to run an eVision application
8 GB RAM to compile an eVision application
Between 100 MB and 2 GB free hard disk space for libraries, depending on selected options.
- APIs
-
Supported programming languages :
The eVision libraries and tools support C++, Python and the programming languages compatible with the .NET (C#, VB.NET)
C++ requirements: A compiler compatible with the C++ 11 standard is required to use eVision
Python requirements: Python 3.11 or later is required to use the Python bindings for eVision
.NET requirements: .NET framework 4.8 (or later) or the .NET platform 6.0 (or later) are supported
Supported Integrated Development Environments:
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 status
-
Released
- Product code - Description
-
PC4188 Open EasySegment for USB dongle
PC4338 Open eVision EasySegment
PC4193 Open EasySegment Inference for USB dongle
PC4343 Open eVision EasySegment Inference
- Related products
-
PC4182 Open Deep Learning Bundle for USB dongle
PC4332 Open eVision Deep Learning Bundle