EasySegment
Libreria di segmentazione con deep learning
- Modalità non supervisionata: addestramento solo con immagini "buone" per rilevare e segmentare anomalie e difetti nelle nuove immagini
- Modalità supervisionata: apprendimento di un modello dei difetti per una migliore segmentazione e precisione di rilevamento
- Funziona con qualsiasi risoluzione dell'immagine
- Supporta l'aumento dei dati e le maschere
- Compatibile con l'elaborazione CPU e GPU
- Include l'applicazione gratuita Deep Learning Studio per la creazione, l'addestramento e la valutazione di set di dati
- Disponibile come parte del pacchetto Deep Learning
- Disponibile anche come licenza solo per inferenza a costo contenuto
Descrizione
-
EasySegment è lo strumento di segmentazione di Deep Learning Bundle. EasySegment esegue il rilevamento e la segmentazione dei difetti. Identifica le parti che contengono difetti e ne individua con precisione la posizione nell'immagine.
-
La modalità supervisionata di EasySegment funziona apprendendo un modello di ciò che è un difetto e ciò che è una parte "buona" in un'immagine. Ciò avviene tramite l'addestramento con immagini annotate con la segmentazione prevista. Quindi, lo strumento può essere utilizzato per rilevare e segmentare i difetti in nuove immagini.
-
La modalità supervisionata di EasySegment raggiunge una precisione migliore e può segmentare difetti più complessi rispetto alla modalità non supervisionata grazie alla conoscenza della segmentazione prevista.
-
La modalità non supervisionata di EasySegment funziona apprendendo un modello di ciò che è un campione "buono" (cioè un campione senza difetti). Ciò avviene addestrando lo strumento solo con immagini di campioni "buoni".
-
Successivamente, lo strumento può essere utilizzato per classificare le nuove immagini come buone o difettose e segmentare i difetti da queste immagini. Addestrandosi solo con immagini di campioni buoni, la modalità non supervisionata di EasySegment è in grado di eseguire l'ispezione anche quando il tipo di difetto non è noto in anticipo o quando i campioni difettosi non sono prontamente disponibili.
Che cos'è il deep learning?
Le reti neurali sono sistemi informatici ispirati alle reti neurali biologiche che costituiscono il cervello umano. Le reti neurali convoluzionali (CNN) sono una classe di reti neurali artificiali profonde e feed-forward, applicate più comunemente all'analisi delle immagini. Il deep learning utilizza grandi CNN per risolvere problemi complessi difficili o impossibili da risolvere con i cosiddetti algoritmi convenzionali di visione artificiale. Gli algoritmi di deep learning possono essere più facili da usare in quanto tipicamente apprendono dall'esempio. Non richiedono all'utente di capire come classificare o effettuare l'ispezione delle parti. Al contrario, in una fase iniziale di addestramento, apprendono semplicemente guardando molte immagini delle parti da ispezionare. Dopo un addestramento riuscito, possono essere utilizzati per classificare le parti o rilevare e segmentare i difetti.
A cosa serve EasySegment?
Il Deep Learning non è generalmente adatto per applicazioni che richiedono misurazioni o calibrazioni precise. Non è consigliabile nemmeno quando alcuni tipi di errori (come i falsi negativi) sono del tutto inaccettabili. La modalità non supervisionata di EasySegment è utile per il rilevamento dei difetti e le attività di segmentazione, soprattutto quando è difficile reperire campioni difettosi. Gli strumenti di Deep Learning funzionano solitamente molto bene con immagini di oggetti naturali o fabbricati che presentano modelli superficiali complessi (ad esempio legno, tessuto, ecc.) che rendono molto difficile il rilevamento dei difetti con gli algoritmi di visione artificiale convenzionali. Inoltre, il paradigma "apprendimento tramite esempio" del Deep Learning può anche ridurre i tempi di sviluppo di un processo di visione artificiale.
Modalità supervisionata EasySegment
EasySegment è lo strumento di segmentazione di Deep Learning Bundle. EasySegment esegue il rilevamento e la segmentazione dei difetti. Identifica le parti che contengono difetti e ne individua con precisione la posizione nell'immagine. La modalità supervisionata di EasySegment funziona apprendendo un modello di ciò che è un difetto e di ciò che è una parte "buona" in un'immagine. Ciò avviene tramite l'addestramento con immagini annotate con la segmentazione prevista. Quindi, lo strumento può essere utilizzato per rilevare e segmentare i difetti in nuove immagini. La modalità supervisionata di EasySegment raggiunge una precisione migliore e può segmentare difetti più complessi rispetto alla modalità non supervisionata grazie alla conoscenza della segmentazione prevista.
Modalità non supervisionata EasySegment
EasySegment è lo strumento di segmentazione di Deep Learning Bundle. EasySegment esegue il rilevamento dei difetti e la segmentazione. Identifica le parti che contengono difetti e individua con precisione la loro posizione nell'immagine. La modalità non supervisionata di EasySegment funziona apprendendo un modello di ciò che è un campione "buono" (cioè un campione senza difetti). Ciò avviene addestrandolo solo con immagini di campioni "buoni". Quindi, lo strumento può essere utilizzato per classificare nuove immagini come buone o difettose e segmentare i difetti da queste immagini. Addestrandosi solo con immagini di campioni buoni, la modalità non supervisionata di EasySegment è in grado di eseguire l'ispezione anche quando il tipo di difetto non è noto in anticipo o quando i campioni difettosi non sono prontamente disponibili.
Licenza di inferenza conveniente
Di solito, l'implementazione del Deep Learning in produzione richiede solo l'elaborazione dell'inferenza. L'inferenza è il processo che consiste nell'utilizzare un modello precedentemente addestrato per effettuare l'ispezione e l'analisi di immagini appena acquisite. L'addestramento è, nella maggior parte dei casi, un processo offline. L'addestramento può essere eseguito utilizzando l'API Open eVision e richiede una licenza del Deep Learning Bundle. In alternativa, l'addestramento può essere eseguito gratuitamente con l'applicazione Deep Learning Studio. Le licenze solo per l'inferenza sono un'alternativa alla licenza Deep Learning Bundle e consentono al cliente di implementare soluzioni di deep learning ottimizzate in termini di costi.
Aumento dei dati
Il Deep Learning funziona addestrando una rete neurale, insegnandole come classificare una serie di immagini di riferimento. Le prestazioni del processo dipendono in larga misura dalla rappresentatività e dall'ampiezza della serie di immagini di riferimento. Deep Learning Bundle implementa il "data augmentation", che crea immagini di riferimento aggiuntive modificando (ad esempio spostando, ruotando, ridimensionando) le immagini di riferimento esistenti entro limiti programmabili. Ciò consente a Deep Learning Bundle di funzionare con un minimo di cento immagini di addestramento per classe.
Prestazioni
Il Deep Learning richiede generalmente una notevole potenza di elaborazione, specialmente durante la fase di apprendimento. Deep Learning Bundle supporta le CPU standard e rileva automaticamente le GPU compatibili con Nvidia CUDA presenti nel PC. L'utilizzo di una singola GPU accelera in genere le fasi di apprendimento ed elaborazione di un fattore 100.
Altri vantaggi
Sistema di licenze Neo
Neo è il nuovo sistema di licenze. È affidabile, all'avanguardia e ora è disponibile per memorizzare le licenze Open eVision ed eGrabber. Neo consente di scegliere dove attivare le licenze, su un Neo Dongle o in un Neo Software Container. Si acquista una licenza e si decide in un secondo momento.
I Neo Dongle offrono un hardware robusto e la flessibilità di poter essere trasferiti da un computer all'altro. I Neo Software Container non necessitano di hardware dedicato, ma sono collegati al computer su cui sono stati attivati.
Neo viene fornito con il proprio Neo License Manager dedicato, disponibile in due versioni: un'interfaccia grafica intuitiva e facile da usare e un'interfaccia a riga di comando che consente una facile automazione delle procedure di licenza Neo.
Tutte le librerie eVision per Windows e Linux
- Microsoft Windows 11, 10 per architettura processore x86-64 (64 bit)
- Microsoft Windows 11, 10 IoT Enterprise su sistemi x86_64
- Linux per architetture di processori x86-64 (64 bit) e ARMv8-A (64 bit) con versione glibc superiore o uguale a 2.18
Set di dati campione: rilevamento dei difetti dei tessuti
Il nostro set di dati campione "Fabric" mostra come la modalità non supervisionata di EasySegment possa essere utilizzata per rilevare e segmentare i difetti nel tessuto con solo pochi campioni validi per l'addestramento e senza alcuna conoscenza del tipo di difetti previsti. Inoltre, la modalità non supervisionata di EasySegment può essere utilizzata per facilitare l'annotazione della segmentazione prevista richiesta per la modalità supervisionata, rivedendo e importando i risultati della modalità non supervisionata come verità di base.
Set di dati campione: rilevamento e segmentazione di materiali estranei
Il nostro set di dati campione "Caffè" mostra come la modalità supervisionata di EasySegment possa essere utilizzata per rilevare e segmentare in modo efficiente i materiali estranei su una linea di produzione, anche quando il colore e la consistenza dei materiali estranei sono molto simili a quelli del prodotto di interesse.
Open eVision Deep Learning Studio
Open eVision Deep Learning Studio include l'applicazione gratuita Deep Learning Studio. Questa applicazione assiste l'utente durante la creazione del set di dati, nonché durante l'addestramento e il collaudo dello strumento di deep learning. Per EasySegment, Deep Learning Studio integra uno strumento di annotazione e può trasformare la previsione in annotazione ground truth. Consente inoltre di configurare graficamente lo strumento per adattarlo ai requisiti di prestazione. Ad esempio, dopo l'addestramento, è possibile scegliere un compromesso tra un tasso di rilevamento dei difetti migliore o un tasso di rilevamento dei prodotti conformi migliore.
Software
- Host PC Operating System
-
Open 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.
Open 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 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 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
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