MVTec Software GmbH
 

深度学习

MVTec 的软件产品提供了大量基于深度学习技术的算子、功能和方法供客户选择,或者允许客户在自己的应用程序中使用深度学习技术。

深度学习驱动的技术

HALCON 和 MERLIC 特色技术

HALCON(单击此处免费试用)和 MERLIC(单击此处免费试用)都包括基于深度学习的 OCR(单击此处观看此视频以了解实际操作)。我们训练了使用深度学习技术的 OCR 分类器。在这些分类器的帮助下,您有可能实现超出以往所有分类方法的读取速率。

将深度学习融入到您的应用中

HALCON 特色技术

HALCON 允许客户在自己的应用程序中使用深度学习技术。用户可以使用 CNN(卷积神经网络)训练自己的分类器。然后再使用这些分类器,以实现对新数据的分类。

HALCON 提供无缝集成的全套深度学习功能,可实现:

分类
分类
语义分割
语义分割
物体检测
物体检测
(自由矩形)
深度学习异常检测
异常检测

基于深度学习的 图像分类 可以将图像轻松分配给经过训练的类。此方法不需要大量的标注工作,因为缩短了准备时间,同时分类器亦可以极快地应用于新数据。

通过 语义分割,定位经过训练的缺陷类别时可以达到像素级的精准度。这样,用户就可以解决之前无法实现或者只有通过大量编程工作才能实现的检查任务。

物体检测 可以定位经过训练的物体,利用周围矩形(边界框)定位并识别它们。对于接触或部分重叠的物体,此方法亦可以分别检测出它们,从而实现物体计数。HALCON 还为用户提供自由矩形的选项,用户可以根据物体方向自由选择矩形的方向,这样可以提高检测的精确度,因为矩形可以更严密地匹配物体的形状。

异常值检测 极大地促进了自动表面检查,例如缺陷的检测和分割。该技术能够在后续图像上准确无误地独立定位偏差(即任何类型的缺陷)。 您只需要少量的高质量图像即可进行训练,因为无需任何先前的知识或任何先前的标记工作就可以检测到外观变化的缺陷。 训练新神经网络通常可以在几秒钟内完成,从而使用户可以执行许多迭代来微调其应用程序,而无需牺牲很多宝贵的时间。 此外,当前版本加快了推理速度。

这四种深度学习技术的训练可以在 CPU 上进行。 由于现在可以直接在生产线上进行培训,因此可以极大地提高客户在实施深度学习中的灵活性,从而可以“动态”调整应用程序以适应不断变化的外部条件。 推理可以在 GPU,x86 CPU 和 Arm®处理器上执行。

数据标注

屏幕截图:MVTec 深度学习工具
MVTec 深度学习工具屏幕截图

MVTec 的深度学习工具提供了一种解决方案,可标注 HALCON 物体检测和分类所需的训练数据。由此得到的 HALCON 字典可以无缝集成到 HDevelop 中,以便训练网络。

为了帮助您标注 HALCON 的其他深度学习技术数据,我们提供多种 HDevelop 辅助脚本

已经(使用任何工具)标注过数据的客户可以与我们联系,将训练数据集转换为可以轻松集成到 HDevelop 的格式。

训练用户特定的 CNN

通过已标注图像训练网络
通过已标注图像数据训练 CNN

借助 HALCON,用户可以利用 HALCON 中经过预训练的 CNN(卷积神经网络)训练自己的分类器。这些网络已针对工业应用进行高度优化,基于无数个图像。经过训练的 CNN 可用于分类新数据。

此外,将在第三方工具训练的神经网络以 ONNX(Open Neural Network Exchange)的格式导出后,即可在 HALCON 中使用。

用户只需提供足够数量的正确标注训练图像,即可完成训练。然后,软件会分析这些图像,自动学习哪些特征可用于识别特定类别。这是一项巨大的优势,相比之下,在传统分类方法中,这些特征必须要由用户“手工选取”——这是一项复杂而繁琐的工作,需要具备编程和视觉知识的熟练工程师。

使用经过训练的网络

深度学习缺陷分类
经过训练的 CNN 逐张图像分类缺陷

网络学会区分给定的类别(例如分辨图像显示的是划痕、污染还是良好样品)之后,就可以投入使用。这意味着用户随后可以将新创建的 CNN 分类器应用于新的图像数据,然后分类器将其匹配到在训练期间学习的类,这一过程又称“推断”。这种推断可以在 GPU 和 CPU 上执行。

应用领域

关于实际应用,CNN 可用于缺陷分类(例如电路板、瓶口或药片)或物体分类(例如仅根据一张图像识别植物种类)。

与各行业的主要客户共同开发

在开发 HALCON 的深度学习功能时,我们与来自不同行业的主要试点客户密切合作。下面简要介绍了不同的挑战,以及深度学习如何帮助我们解决这些挑战。

植物识别

任务:识别植物

没有深度学习时

新的植物类型必须人工编程。 每个国家都要使用单独的 MLP 分类器进行特征提取,这个过程十分耗时。

有深度学习后

只用大约两周时间就完成了同样的任务……错误率可以减半。

通过深度学习识别货架空位

任务:识别货架空位

没有深度学时

需要带有 3D 传感器的精密硬件设备。

有深度学后

该解决方案可以使用图像采集价格更低且分类速度更快的 2D 图像数据,从而降低成本。此外,还能大幅降低错误率。

表情图:通过深度学习检测缺陷药片

任务:检测药片缺陷

没有深度学习时

新的缺陷类别必须由人工现场编程,这个过程耗费时间而且代价高昂。

有深度学后

新的缺陷类型可以自动训练,工程师不再需要前往客户工厂,从而节省大量时间和成本。

深度学习地面检查

任务:检查平面缺陷

没有深度学习时

错误率相对较高,需要工人进行大量人工检查,导致生产速度拖慢,成本增加。

有深度学习后

实施基于深度学习的缺陷检测可以大幅降低错误率,从而大大减少对人工检查的需求,加快生产速度并降低人工成本。

深度学习助手

下面可以下载另外的一些内容帮助您学习在 HALCON 中使用深度学习。

 

帮助文件下载

HDevelop 脚本,用于为语义分割标注数据。

注意:我们建议使用 MVTec 深度学习工具标注物体检测数据。

Zip-File

(19 MB)

HDevelop 示例脚本,演示如何利用现有的已标注数据创建用于物体检测的 DLDataset 字典

Zip-File

(3.4 MB)

使用物体检测的简易示例

Zip-File

(3 KB)

使用语义分割的简易示例

Zip-File

(3 KB)