Vorankündigung HALCON 17.12

Deep Learning out of the Box

Deep learning mit HALCON 17.12
Die neue HALCON Version wird im Dezember 2017 veröffentlicht. Daher kommt auch ihr Name: HALCON 17.12.
 
Mit HALCON 17.12 werden Nutzer in der Lage sein, ihren eigenen Klassifikator mit Hilfe eines CNN (Convolutional Neural Network) zu trainieren. Nachdem das CNN trainiert wurde, kann es für die Klassifizierung neuer Daten mit HALCON verwendet werden.
 
Ein CNN kann in HALCON einfach trainiert werden, indem eine ausreichende Menge klassifizierter Beispielbilder bereitgestellt wird. Um beispielsweise zwischen Aufnahmen mit Kratzern oder Verunreinigungen und guten Samples unterscheiden zu können, müssen Trainingsbilder für alle drei Klassen bereitgestellt und eingelesen werden: Bilder die Kratzer zeigen, müssen die Bezeichnung „Kratzer“ tragen, solche, die eine Verunreinigung zeigen, erhalten die Bezeichnung „Kontamination“ und Bilder von guten Samples müssen zur Kategorie „OK“ gehören.
 
Daraufhin analysiert HALCON diese Bilder und lernt automatisch, welche Eigenschaften genutzt werden können, um gute von verkratzten und verunreinigten Werkstücken zu unterscheiden. Dies ist ein großer Vorteil gegenüber allen bisherigen Klassifikationsmethoden, bei denen diese Eigenschaften vom Nutzer manuell definiert werden mussten – eine komplexe und mühsame Aufgabe, die qualifizierte Ingenieure mit fortgeschrittenen Programmierkenntnissen und Erfahrung in der Bildverarbeitung erfordert.
 
Sobald das Netzwerk gelernt hat zwischen den definierten Klassen zu unterscheiden, also bspw. feststellen kann, ob ein Bild ein zerkratztes, kontaminiertes oder gutes Werkstück zeigt, kann es eingesetzt werden. Nutzer können den neu erstellten CNN-Klassifikator nun auf neue Bilddateien anwenden, welche der Klassifikator dann den beim Training gelernten Kategorien zuordnet. Typische Anwendungsbereiche für Deep Learning sind Defektklassifizierung (z.B. für Leiterplatten, Flaschenmündungen oder Tabletten) oder Objektklassifizierung (z.B. Erkennung verschiedener Pflanzenarten auf einem einzelnen Bild).

Zurück