- Erkennung von schwachen Defekten und Verunreinigungen, selbst in verrauschten Bildern
- Schnelle Verarbeitung für die Inline-Inspektion
- Kompatibel mit der Erfassung von Zeilen- und 2D-Kameras
- Optionale Vorausrichtung des interessierenden Bereichs an den Kanten des Teils
- Optionale Deep-Learning-Klassifizierung der Defekte
- Einfache und umfassende C++-, C#- und Python-API
Beschreibung
Echtzeitverarbeitung für die Inline-Oberflächen-Inspektion
Mit seinem zweistufigen Ansatz ist EasySpotDetector schneller als andere Deep-Learning-basierte Objektsegmentierungsverfahren. EasySpotDetector kann auf einem Intel i7-10850H-Computer bis zu 200 MPixel pro Sekunde verarbeiten (nur Erkennung). Die Klassifizierung kann von einem GPU-Betrieb profitieren, ist aber dank OpenVINO auch für die Ausführung auf der CPU optimiert.
Parameter-Set zur Steuerung der Defektsegmentierung
Eine Reihe expliziter Parameter ermöglicht es dem Benutzer, bestimmte Defekte gezielt zu bearbeiten. Der Typ (Partikel, Kratzer ...), das Aussehen (heller, dunkler oder beides), die Größe und der Mindestkontrast (starker oder schwacher Defekt) der Defekte können angepasst werden.
Einfache und umfassende API
EasySpotDetector bietet eine einzige API für die Ausrichtung des Bereichs von Interesse (ROI), die Erkennung von Oberflächenfehlern und die Klassifizierung mit einem individuell trainierten Deep-Learning-Klassifikator.
Maßgeschneiderter Deep-Learning-Objektklassifikator
Erkannte Objekte können an einen Deep-Learning-Klassifikator übermittelt werden. Der Klassifikator wird vom Benutzer mithilfe des benutzerfreundlichen Deep Learning Studio speziell für seine jeweilige Anwendung trainiert. Mögliche Einsatzbereiche des Klassifikators sind:
- Bestätigen oder invalidieren Sie die erkannten Kandidaten.
- Bewertung des Schweregrads der Fehler.
- Aufteilung der erkannten Objekte in mehrere Klassen basierend auf ihrem Aussehen.
Getestet in verschiedenen Anwendungsfällen
EasySpotDetector wurde erfolgreich in verschiedenen Anwendungen der Oberflächen-Inspektion getestet, darunter: Batteriefolie, Gewebe, Stahl, passive elektronische Komponenten und natürliche Materialien wie Leder und Holz.
EasySpotDetector Illustrationen
New Open eVision Studio
Komplexe Bildverarbeitungssequenzen können über eine grafische Benutzeroberfläche entworfen werden. Die Sammlung von Tools spiegelt die Vielfalt und Leistungsfähigkeit der Open eVision-Bibliotheken wider. Der C++-, Python- und C#-Quellcode, der der Verarbeitungs-Pipeline entspricht, wird automatisch generiert und bietet eine interaktive Dokumentation der Open eVision-API. Das New Open eVision Studio kann Live-Bildquellen wie GigE Vision-Kameras, Coaxlink-Framegrabber oder eGrabber-Recorder-Sequenzen verarbeiten.
Diese Anwendung ist kostenlos, läuft unter Windows und Linux und ist mit Intel- und ARM-64-Bit-Architekturen kompatibel.
Software
- Host PC Operating System
-
Supported 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
Minimum requirements:
8 GB RAM
Optional NVidia GPU
- APIs
-
Supported programming languages :
The Open 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 Open eVision
Python requirements: Python 3.11 or later is required to use the Python bindings for Open 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
- Input
-
Image source:
Any 8-bit grey scale image, no size limit
Region of interest:
Explicit or automatic selection of the region of interest (an oriented rectangle is fitted to the part’s edges)
- Output
-
A list of detected spots with their type (particle or scratch), position and size, strength, and pixel level segmentation map
Optionally, if a deep learning classifier is loaded, a class and a probability is set for each spot. The deep learning classifier is a trained EasyClassify tool.
Display functions are provided to draw the spot bounding boxes and segmented pixel
- Performance
-
Processing speed on single core Intel i7-10850H:
Particle detection only: 200 MPixels/s
Particle and scratch: 60 MPixels/s
- Requirements
-
Minimum defect size:
2x2 pixels
No maximum defect size
Ordering Information
- Product status
-
Released
- Product code - Description
-
PC4190 Open EasySpotDetector for USB dongle
PC4340 Open eVision EasySpotDetector
- Related products
-
PC6512 eVision/Open eVision USB Dongle (empty)
PC6514 Neo USB Dongle (empty)