Auf dieser Seite werden Cookies verwendet. Details und Hinweise zu den Einstellungen sind in unseren Datenschutzregeln.
Der weitere Gebrauch von unser Webseite, ohne Änderung der Einstellungen, bedeutet das Einverständnis mit diesen Regeln.

Akzeptieren (Notiz ausblenden)
POL ENG GER 中文

Deep Learning Modul

Vorwort

Das Deep Learning Modul ist eine richtige Revolution auf dem Markt der Systeme für das Bildverstehen. Es ist ein Set der gebrauchsfertigen Werkzeuge, die mit richtigen und unrichtigen Beispielen trainiert werden, welche automatisch Defekte bzw. Merkmale erkennen. Intern nutzt das Modul umfassende Struktur der neuronalen Netze, welche durch unsere Experten entwickelt und optimiert wurden, um sie in den industriellen Systemen der optischen Inspektion anzuwenden. Diese komplexe Funktionalität wurde aber in den im Gebrauch unkomplizierten Filtern eingeschlossen, wobei der Nutzer einfache grafische Werkzeuge zur Verfügung hat, und nur wenige Parameter angefordert werden. Dadurch ist der Trainingsprozess einfach.

Das Deep Learning Modul verwirklicht grundlegende Voraussetzungen von Adaptive Vision:

Intuitive - es kann ohne Kenntnisse der Programmiersprachen verwendet werden

Powerful - es lässt fortgeschrittene Möglichkeiten der neuronalen Netze bewältigen

Adaptable - die Deep Learning Modelle können übertrainiert werden, um neue Merkmale zu erforschen.

Schlüsselpunkte

Trainingsdaten

Das typische Programm erfordert 20 bis 50 Trainingsbilder.

Ausrüstung

Das schnelle Trainieren und die Erstellung des Algorithmus erfordern einen modernen Grafikprozessor.

Geschwindigkeit

Wird der Gebrauch des GPU angenommen, beträgt die normale Trainingszeit 5 Minuten, und die Durchführung einer verfahrensgemäßen Inspektion dauert 200 ms.

Deep Learning vs. klassische Methoden

Deep Learning ist eine neue Methode, welche Herausforderungen bewältigen lässt, die an Systeme des Bildverstehens gestellt werden und mittels klassischer Methoden nicht gelöst werden konnten. Es bestehen doch Aufgaben, die lediglich durch die Anwendung von klassischen Methoden durchgeführt werden können. Wie entscheidet man, welche Betrachtungsweise wirksamer wird? Hier ein Leitfaden:

Deep Learning

Klassische Methoden

Typische Anwendungen:

    • Oberflächeninspektion (Brüche, Kratzer)
    • Nahrungsmittel-, Pflanzen-, Holzinspektion
    • Kunststoffe, Spritzgussformen
    • Inspektion von Textilien
    • Bildgebung in der Medizin

Typische Anwendungen:

    • Maßprüfungen
    • Ablesen der Codes
    • Objekterkennung
    • Robotersteuerung
    • Druckinspektion

Typische Merkmale:

    • Flexible Objekte
    • Variable Orientierung
    • Der Kunde liefert eine beschränkte Spezifikation, sie enthält aber richtige und unrichtige Elemente
    • 99% Zuverlässigkeit

Typische Merkmale:

    • Starre Objekte
    • Festgelegte Orientierung
    • Der Kunde liefert eine formalisierte Spezifikation mit Toleranzbereichen
    • 100% Zuverlässigkeit

Trainingsprozess

1. Bilder erheben und normalisieren

    • Beschaffen Sie 20 - 50 Bilder, die richtige und unrichtige Beispiele schildern und alle möglichen Abarten der Objekte darstellen; speichern Sie sie auf der Platte.
    • Sorgen Sie dafür, dass die Skala, die Orientierung und die Beleuchtung möglichst einheitlich sind.
  • 2. Training

    • Verwenden Sie den DeepLearning_ClassifyFeatures bzw. DeepLearning_DetectAnomalies Filter.
    • Öffnen Sie den Deep Learning-Editor.
    • Laden Sie Trainingsbilder herunter.
    • Markieren Sie die Bilder als richtig bzw. unrichtig (Vorgang ohne Überwachung) oder markieren Sie Defekte mit Zeichentools (Vorgang mit Überwachung).
    • Klicken Sie auf „Trainieren”
  • 3. Führen Sie aus

    • Starten Sie das Programm und überprüfen Sie die Ergebnisse.
  • Trainings- und Validierungsdaten

    Beim tiefen Lernen und in sonstigen Bereichen des maschinellen Lernens ist die Anwendung der richtigen Methodik von besonderer Bedeutung. Am wichtigsten ist es, die Trainingsdaten von den Validierungsdaten abzutrennen. Die Trainingsdaten sind eine Aufstellung von Bildern, die genutzt wird, um das Modell zu trainieren. Diese Daten können für die Leistungsmessung des Modells nicht angewendet werden, denn im Endresultat werden unrealistisch gute Ergebnisse geliefert. Daher ist es notwendig, eine separate Datensammlung, d.h. Validierungsdaten zu nutzen, um das Modell richtig einzuschätzen. Unser Tool für das tiefe Lernen bildet beide Datensammlungen auf Basis der Bilder, welch durch den Nutzer benennt werden.

    Anwendungsbeispiele: Vorgang mit Überwachung

    Beim Vorgang mit Überwachung hat der Nutzer Pixel zu markieren, welche die Defekte auf den Trainingsbildern darstellen. Unser Tool lernt, richtige und richtige Merkmale durch die Beobachtung ihrer grundlegenden Eigenschaften zu unterscheiden.

    Inspektion der Photovoltaik-Module

    Bei der Inspektion der Solarmodule ist die Aufgabe des Programms, Brüche und Risse an der uneinheitlichen Oberfläche zu erkennen. Die Nutzung der klassischen Methoden würde die Anwendung von komplizierten Algorithmen und Dutzenden Parameter erfordern, welche auf jede Art der Module abgestimmt werden müssten. Beim tiefen Lernen genügt es, das System im Vorgang mit Überwachung zu trainieren und dabei nur ein Tool zu nutzen.

    Segmentierung der Satellitenbilder

    In Hinsicht auf das Vorkommen mehrerer unterschiedlicher Elemente lassen sich die Satellitenbilder schwierig analysieren. Unser Deep Learning Modul kann austrainiert werden, um Straßen und Gebäude mit höchster Präzision zu erkennen. Das Training kann mittels eines richtig markierten Bildes durchgeführt werden, und die Ergebnisse sind sofort überprüfbar. Legen Sie mehr markierte Proben bei, um die Richtigkeit des Modells zu steigern.

    Inspektion von Textilien

    Die Textilwaren können unterschiedliche Muster haben, aber alle werden von demselben Problem betroffen: Defekte treten auf dem Grund mit einer komplexen Textur ein. Wendet man die Technik des tiefen Lernens an, kann der Nutzer mehrere Klassen für Defekte formulieren und sie an Musterbildern markieren. Wenn das Training zu Ende geht, erfolgt die Klassifizierung automatisch, wodurch es möglich wird, selbst kaum sichtbare Defekte zu erkennen.

    Inspektion von Keksen

    Zwei gleiche Kekse bestehen nicht, aber Kunden erwarten, dass eine Sache unverändert bleibt: der Schokoladenüberzug wird ideal. Wie kann man den Defekt definieren? Erheben Sie einfach Bilder von defekten Keksen und markieren Sie das, was daran unrichtig ist. Unsere Software lernt Defekte unterscheiden und zeigt sie wirksam am Produkt.


    Prüfung der Marmoroberfläche

    Die Erkennung der Brüche am Marmor kann eine schwierige Aufgabe sein, denn von Natur aus ist seine Oberfläche nicht einheitlich. Unsere Software ist imstande, Brüche von unregelmäßigen Mustern zu unterscheiden. Alles, was Sie zu tun haben, ist es, einige Musterbilder zu erheben, die Brüche zu markieren und das Modell zu trainieren.


    Astansätze

    Einer der grundlegenden Faktoren, welche bei der Holzklassifizierung berücksichtigt werden, ist die Größe und die Menge von Astansätzen. Mit Adaptive Vision Deep Learning können Sie innerhalb von wenigen Minuten eine zuverlässige Anwendung zum Erkennen und zur Messung der Astansätze vorbereiten. Die Kenntnisse der Programmiersprachen sind nicht erforderlich. Legen Sie einfach Bildermuster bei und analysieren Sie die Ergebnisse über Filter.

    Anwendungsbeispiele: Vorgang ohne Überwachung

    Im Vorgang ohne Überwachung ist der Trainingsprozess einfacher. Eine konkrete Definition des Defekts besteht hier nicht: das Tool wird mittels der richtigen Proben trainiert. Auf ihrer Basis werden sämtliche Abweichungen auf geprüften Bildern gezeigt.

    Überprüfung von Verpackungen

    Wenn eine Sushi-Packung dem Verkäufer geliefert wird, müssen sich alle Elemente in einer bestimmten Lage befinden. Es ist schwierig, Defekte zu definieren, wenn die Form der richtigen Stücke auch variieren kann. Das Problem lässt sich lösen, indem man das tiefe Lernen ohne Überwachung anwendet, wodurch alle bedeutenden Abweichungen davon erkannt werden, was das Tool im Training gelernt hat.


    Kunststoffe, Spritzgussformen

    Das Ausformen im Spritzgussverfahren ist ein komplizierter Prozess, in dessen Ablauf mehrere Probleme entstehen können. Gegenstände, die aus Kunststoff hergestellt werden, können für das Biegen bzw. andere Deformationen anfällig sein, welche für den Kunden akzeptabel sind. Unser Deep Learning Modul kann auf Basis der gelieferten Proben alle akzeptablen Verformungen lernen, und anschließend allerlei Abweichungen an der Produktionsanlage erkennen.