Grad-CAM-based Heatmap nun auch für CPU
Die Grad-CAM-basierte Heatmap (Gradient-Weighted Class Activation Mapping) unterstützt Sie bei der Analyse, welche Teile eines Bildes die Klassifizierungsentscheidung beeinflussen. In HALCON 20.05 kann die Heatmap nun ohne signifikante Geschwindigkeitseinbußen auch auf der CPU berechnet werden. Damit können Kunden direkt im laufenden Betrieb die Klassenvorhersage ihres Deep-Learning-Netzes analysieren.
Erhöhte Robustheit beim Generischen Box Finder
Der mit HALCON 19.11 veröffentlichte generische Box Finder ermöglicht es Nutzern, Boxen unterschiedlicher Größe innerhalb eines vordefinierten Bereichs von Höhe, Breite und Tiefe zu finden, wodurch das Trainieren eines Modells überflüssig wird. In HALCON 20.05 wurde er hinsichtlich Robustheit, Leistung, Geschwindigkeit und Benutzerfreundlichkeit verbessert. Es ist nun deutlich einfacher, Boxen unterschiedlichster Form und Größe zuverlässig zu finden.
Verbesserte Anomalieerkennung mit Deep Learning
Die Anomalieerkennung erleichtert die automatisierte Oberflächeninspektion erheblich, da nur eine geringe Anzahl von qualitativ hochwertigen "guten" Bildern für das Training benötigt wird.
In HALCON 20.05 ist das Trainieren eines Netzwerks für die Anomalieerkennung nun bis zu zehn Mal so schnell. Zusammen mit einer ebenfalls beschleunigten Inferenz eröffnet dies völlig neue Möglichkeiten, Deep Learning in bestehenden und neuen Anwendungen auszuprobieren: Das Trainieren eines neuen Netzes ist jetzt meist in wenigen Sekunden abgeschlossen, so dass die Benutzer viele Iterationen zur Feinabstimmung ihrer Anwendung durchführen können, ohne viel kostbare Zeit zu verlieren.
Überdies benötigen trainierte Netze nun weniger Speicher und Festplattenkapazität, was HALCONs Anomalieerkennung für den Einsatz auf Embedded-Geräten praktikabler macht.
