Nadgradite strojni vid z Adaptive Vision Deep Learning

logo

Vašo aplikacijo strojnega vida lahko v Tipteh-u še dodatno nagradijo z metodo globokega učenja.

Stem namenov vam ponujajo programsko rešitev Adaptive Vision Deep Learning Add-on, s katero lahko nadgradite obstoječo aplikacijo strojnega vida, ki temelji na rešitvi Adaptive Vision Studio. Z njeno pomočjo boste še dodatno poenostavili izdelavo naprednih aplikacij strojnega vida, brez predhodnega znanja programiranja.

Z metodo strojnega učenja imenovano globoko učenje (ang. deep learning), ki temelji na uporabi večslojnih nevronskih mrež, je med drugim možno zaznati raznolike defekte, razvrstiti objekte v kategorije, izluščiti površinske značilnosti, segmentirati objekte na sliki ipd. le z uporabo slik dobrih in slabih vzorcev. Nadaljnje vhodne slike so nato avtomatsko klasificirane.

Globoko učenje je še posebej primerno za zaznavanje defektov na površini deformabilnih objektov ter v situacijah, kjer je definicija napake le približna ali ni izmerljiva ter omejena s tolerancami.

Izkoristite predhodno pripravljena orodja
Na voljo vam je pet predpripravljenih orodij s katerimi lahko hitro izvedete kontrolo, in sicer:

  • Object Classification,
  • Feature Detection,
  • Anomaly Detection,
  • Point Location,
  • Instance Segmentation.

Za pripravo aplikacije oziroma modela lahko zadošča že med 20 in 50 slik vzorcev. Postopek učenja pa se ob priporočeni uporabi zmogljivega grafičnega procesorja tipično izvede v petih minutah. Prav tako je hitro izvajanje klasifikacije – tipično 100 ms za 1MP na grafičnem procesorju.
Glede na problem uporabnik lahko uporabi nadzorovano (ang. supervised) ali nenadzorovano (ang. unsupervised) učenje.

V primeru uporabe nadzorovanega učenja uporabnik na slikah slabih vzorcev označi poškodbe. Pri nenadzorovanem učenju pa v orodje le vnese čim večje število raznolikih slik dobrih in slabih vzorcev, orodje pa na podlagi teh samodejno generira ustrezen model za kasnejšo klasifikacijo. Prav tako programsko orodje samodejno razdeli uvožene slike na učno množico in množico za preverjanje modela.

Enostavno uvozite slike in pripravite model
Uvoz slik in priprava modela potekata v preglednem vmesniku, ki je primeren tako za začetnike kot napredne uporabnike, ki želijo večji nadzor nad parametri ustvarjanja modela. Adaptive Vision Executor, ki je del programskega okolja, pa omogoča, da končni uporabnik (operater) v produkcijskem okolju z novimi slikami ali spreminjanjem parametrov prilagaja predhodno definiran model.

Adaptive Vision Deep Learning temelji na lastnem visoko zmogljivem pogonu Weaver, ki lahko teče tako na GPU kot tudi na CPU. Zaradi dodatnih optimizacij nudi hitrejše izvajanje kot tipična odprto-kodna programska ogrodja – TensorFlow, PyTorch idr.

Tipteh d.o.o.
E-pošta: info@tipteh.si
Tel.: +386 (0)1 200 51 50

https://tipteh.com/si

 

 

 

 

Celotna PDF revija brezplačno!

Sorodni članki

Zadnji članki

Svet mehatronike 52

Vroče poletje je za nami in zajadrali smo v jesen, ko se poslovno življenje iz poletnega mrtvila spet vrne v (več ali manj) ustaljene tokove.

SCHUNK CPS – Nov pnevmatski sistem menjave orodja za večjo prilagodljivost robotov

V času, ko industrijska avtomatizacija zahteva vedno večjo prilagodljivost in učinkovitost, podjetje SCHUNK postavlja nove standarde z novim in inovativnim sistemom za menjavo orodij – CPS tool changer.

Maksimalna zanesljivost procesa za vir beljakovin prihodnosti

Že več kot 30 let je prijemalo PGN-plus-P proizvajalca SCHUNK najbolj vsestransko prijemalo na trgu in nenehno se odpirajo nove priložnosti uporabe.

Želite biti na tekočem z najnovejšimi novicami?

Radi bi vas slišali! Prosimo, izpolnite svoje podatke in ostali bomo v stiku. Tako preprosto je!

Politika zasebnosti

Spoštujemo vašo zasebnost in se zavezujemo, da bomo osebne podatke, pridobljene prek spletnega informacijskega sistema, skrbno varovali in jih brez vaše privolitve ne bomo posredoval tretji osebi oziroma jih uporabili v druge namene. Ker obstajajo v spletnem informacijskem sistemu določene povezave na druge, zunanje spletne strani, ki niso vezane na nas, ne prevzemamo nobene odgovornosti za zaščito podatkov na teh spletnih straneh.

Hkrati se zavezujemo, da bomo po svojih najboljših možnih močeh varovali podatke in zasebnost obiskovalcev spletne strani .

Da bi preprečili nepooblaščen dostop do pridobljenih podatkov ali njihovo razkritje, ohranili natančnost osebnih podatkov in zagotovili njihovo ustrezno uporabo, uporabljamo ustrezne tehnične in organizacijske postopke za zavarovanje podatkov, ki jih zbiramo.

Več: https://svet-me.si/politika-zasebnosti/