Deep Learning mit HALCON

DeepLearning mit HALCON 17.12

Optimiert für Anwendungen in der industriellen Bildverarbeitung

HALCON enthält bereits vortrainierter CNNs (Convolutional Neural Networks), die für den Einsatz in industriellen Anwendungen optimiert sind. Zur  Erarbeitung dieser haben MVTec-Ingenieure extensiv geforscht, um den besten Basisdatensatz auszuwählen. Hierdurch werden hervorragende Klassifizierungsergebnisse ermöglicht. Durch dieses Vortrainieren beschleunigen Sie den gesamten Trainingsprozess und erhalten ein auf Ihre Anwendung zugeschnittenes Netzwerk – beides essenzielle Aspekte für eine kurze Time-to-Market.

Einfaches Trainieren kundenspezifischer Klassifikatoren

Um einen eigenen Klassifikator mithilfe vortrainierter CNNs für eine bestimmte Aufgabe zu trainieren, müssen Sie HALCON lediglich kategorisierte, also nach Fehlertyp oder Status zugeordnete Trainingsbilder zur Verfügung stellen. Für größtmögliche Flexibilität ist es möglich, nach Abschluss des Trainings das Netzwerk mit zusätzlichen Bildern erneut zu trainieren, um es um neue Fehlerklassen zu erweitern.

Einfaches Labeln von Bilddaten

HALCON Deep Learning Tool von MVTec

Die Qualität der gelabelten Daten spielt eine große Rolle, wenn es um die Leistung, Genauigkeit und Robustheit der Anwendung geht. Deshalb ist das Labeln von Trainingsdaten ein entscheidender Schritt für jede Deep-Learning-Anwendung. MVTec bietet mit dem Deep Learning Tool eine Lösung, die den Anwender dabei unterstützt. Das Labeln erfolgt dabei durch einfaches Zeichnen von Rechtecken um jedes relevante Objekt und durch die Zuweisung dieser Rechtecke zu entsprechenden Klassen. Das damit erstellte HALCON-Dictionary kann dann nahtlos in HDevelop integriert werden, um ein Netz zu trainieren.

Der Workflow mit dem MVTec Deep Learning Tool
Zum Vergrößern klicken

Automatische Merkmalsextraktion

Während des Trainings analysiert HALCON die kategorisierten Trainingsbilder und lernt automatisch, welche Merkmale geeignet sind, um die gewünschten Klassen zu identifizieren. Dies ist ein gewaltiger Vorteil gegenüber allen bisherigen Klassifizierungsmethoden, bei denen relevante Merkmale vom Benutzer von Hand ausgewählt werden müssen – ein komplexes und mühsames Unterfangen, das qualifizierte Ingenieure mit Bildverarbeitungs- Kenntnissen und Programmiererfahrung erfordert.

Leistungsstarke Bildklassifikation mit Inferenz

Die Anwendung des trainierten Netzwerks zum Klassifizieren neuer Bilddaten nennt sich auch "Inferenz". Damit können große Mengen von Bildern, die zu kaum unterscheidbaren Klassen gehören, analysiert und zugeordnet werden. Mit der Hilfe von Deep Learning legt MVTec HALCON somit den Grundstein für Anwendungen, deren Klassifizierungsleistung selbst die Möglichkeiten der menschlichen Wahrnehmung übertrifft.

Nahtlose Integration in die leistungsstarke HALCON Bibliothek

Deep Learning ist nahtlos in die MVTec HALCON-Bibliothek integriert und dadurch ein Teil des umfangreichen Angebots an derzeit verfügbaren Operatoren – dies bedeutet maximale Flexibilität beim Erstellen Ihrer Anwendung. Ein HALCON Progress-Abonnement beinhaltet standardmäßig alle Deep-Learning-Funktionalitäten, so dass Sie sofort loslegen können.

Semantische Segmentierung und Objektklassifikation mit HALCON 18.11

Trainierte Objekt-, Merkmals- oder Fehlerklassen lassen sich mit HALCON 18.11 pixelgenau semantisch segmentieren bzw. in einem Bild lokalisieren. Die Inferenz läuft dabei sowohl auf GPUs als auch auf CPUs. Für beide Ansätze bietet MVTec vortrainierte neuronale Netze, die für industrielle Bildverarbeitungsanwendungen auf Basis von Millionen lizenzfreier Bildern optimiert wurden. Das erleichtern das Einlernen neuer Objekte, da Kunden eine geringer Anzahl eigener Trainingsbilder bereitstellen müssen.

Schritt für Schritt zum eigenen Klassifikator

Um den Einstieg in Deep-Learning mit HALCON zu erleichtern, erklärt MVTec in einer dreiteiligen Tutorialreihe alle notwendigen Schritte, um eigene Deep-Learning-basierte Klassifikatoren mit HALCON zu trainieren und zu evaluieren. Um Sie bei diesen ersten Schritten zur unterstützen stehen mehrere HDevelop Beispiele zur Verfügung. Zusätzlich hilft Ihnen das neue Deep Learning Tool beim Labeln Ihrer Bilddaten, um optimale Trainingsdaten zu erstellen, die für die Objektdetektion in HALCON benötigt werden. Mit dieser Unterstützung erzeugen Sie in wenigen Schritten Ihre eigenen Anwendungen zur Objektdetektion oder semantischen Segmentierung.