Модуль глубокого обучения Halcon

Логистика

Независимо от того, нужно ли вам классифицировать коробки или управлять беспилотной тележкой для поддонов, решения для глубокого обучения позволяют решать задачи машинного зрения быстрее и экономичнее.

Пример: Определение пустых мест в стойке

Реализованное решение на основе глубокого обучения работает с данными 2D-изображений, заменяя сложную настройку оборудования с 3D-сенсорами. Это ускорило процесс классификации и снизило затраты.

Сельское хозяйство

От классификации фруктов, кормления животных, сбора спелых овощей, упаковки фруктов или производства замороженных продуктов - технологии глубокого обучения улучшат вашу автоматизацию, будь то в теплице, в поле, в ангаре или на производственном предприятии.

Пример: Идентификация растений

Благодаря глубокому обучению новые типы растений теперь можно запрограммировать в два раза быстрее, чем раньше. Кроме того, значительно снизилась частота ошибок.

Электроника и полупроводники

Машинное зрение играет большую роль, например, в идентификации и проверке электронных компонентов. С помощью глубокого обучения можно автоматизировать сложные задачи проверки, которые ранее выполнялись вручную.

Пример: Проверка качества печати печатной платы

Классификация хороших и плохих изображений различных частей печатной платы может быть значительно ускорена с помощью глубокого обучения.

Медицина и фармацевтика

Если вы ищете инструмент, который выводит ваш контроль качества на новый уровень, технологии глубокого обучения - правильный выбор. Независимо от того, нужно ли вам обнаруживать дефекты на таблетках, правильно сортировать таблетки, заполнять, проверять или упаковывать бутылки, или этикетки - машинное зрение с глубоким обучением улучшает эти процессы.

Пример: Обнаружение дефектов на таблетках

Новые типы дефектов можно обучать автоматически, что означает огромную экономию времени и средств.

ПОДГОТОВКА: ПОЛУЧЕНИЕ, МАРКИРОВКА И ПРОСМОТР ДАННЫХ

Получите данные изображения глубокого обучения в условиях, которые аналогичны или даже идентичны ожидаемому сценарию в реальном приложении.

Маркируйте каждый объект в наборе данных и каждый объект в одном классе одинаково, обеспечивая правильность и точность помеченных данных.

Просмотрите и проверьте, есть ли данные с неправильной маркировкой. С помощью бесплатного инструмента глубокого обучения MVTec вы можете легко и эффективно подготовить набор данных.

ОБУЧЕНИЕ: ОБУЧАЙТЕ СВОИ СОБСТВЕННЫЕ CNNS

После экспорта данных из инструмента глубокого обучения в HDevelop, HALCON может проанализировать эти изображения и автоматически узнать, какие функции можно использовать для идентификации данных классов. Большое преимущество по сравнению с традиционными методами классификации, где эти функции должны были "вручную создаваться" пользователем.

Вы можете обучить свой собственный классификатор на основе предварительно обученных CNN (сверточных нейронных сетей), включенных в HALCON. Эти сети были оптимизированы для промышленных приложений и основаны на сотнях тысяч изображений. Кроме того, в HALCON можно использовать ранее созданные сторонние сети, которые были экспортированы в формат ONNX (Open Neural Network Exchange).

ОЦЕНКА: ПРОВЕРЬТЕ ОБУЧЕННУЮ МОДЕЛЬ НА ДАННЫХ ИСПЫТАНИЙ

Чтобы проверить, достаточна ли производительность обученной модели глубокого обучения для вашего приложения, вы можете выбирать между различными вариантами визуализации.

Например, вы можете использовать матрицу неточностей в HALCON, чтобы точно определить соотношение истинных и ложных срабатываний. Тепловая карта может показать, какие области изображения были особенно важны для выбора сети.

ИНФЕРЕНЦИЯ: ИСПОЛЬЗУЙТЕ ОБУЧЕННУЮ СЕТЬ НА НОВЫХ ИЗОБРАЖЕНИЯХ

Как только сеть научится различать данные классы, например, распознавать, показывает ли изображение поцарапанный, загрязненный или хороший образец, пользователи могут применять вновь созданный классификатор CNN к новым изображениям - это называется «инференция». Эта инференция может быть выполнена как на графических процессорах, так и на процессорах (на базе x86 и Arm®).