WORKFLOW
Das Deep-Learning-Modell wird mit einer geringen Anzahl an Bildern trainiert, um gezielt Kantenstrukturen zu erkennen. So kann das Modell schnell auf neue Anforderungen oder Veränderungen in der Bildumgebung reagieren.
Das vortrainierte Modell kann Kanten in Bildbereichen mit geringem Kontrast und starkem Rauschen extrahieren, wo herkömmliche Kantenerkennungsalgorithmen scheitern würden.
Die Deep-Learning-Methode extrahiert nur die relevanten Kanten, wodurch der Programmierungsaufwand erheblich reduziert wird, da keine manuelle Festlegung von Kantenmerkmalen erforderlich ist.
KANTENEXTRAKTION
Hohe Genauigkeit – Präzise Extraktion von Kanten, auch bei schlechten Bildbedingungen (geringer Kontrast, Rauschen).
Automatische Anpassung – Trainieren mit minimalem Aufwand, ohne die Notwendigkeit, Merkmale manuell zu definieren.
Effiziente Verarbeitung – Robustere Erkennung von Kanten, die für klassische Methoden mit Kantenerkennungsfiltern nicht zugänglich sind.
Schnelle Integration – Direkt in HALCON integrierbar – ideal für industrielle Bildverarbeitung und Echtzeit-Inferenz.
KANTENEXTRAKTION
In der Automobilindustrie wird die Kantenextraktion verwendet, um Lötstellen oder Schnittkanten an Bauteilen zu identifizieren. Das Modell erkennt selbst schwache Kanten und kann damit die Qualitätskontrolle effizient unterstützen.
In der Verpackungsindustrie können Etikettenkanten oder Nähte von Verpackungen automatisch extrahiert und auf Fehler überprüft werden, auch bei komplexen oder unregelmäßigen Formen.
