BOUNDING BOXES
Der Deep-Learning-Algorithmus erstellt für jedes erkannte Objekt eine Bounding Box, die das Objekt umgibt. Diese Boxen definieren die Position und Größe der Objekte im Bild.
Zusätzlich wird für jedes Objekt eine Vorhersageklasse (z. B. „Kaffee“, „Milch“, „Fehler“) zugewiesen.
In HALCON und MERLIC lassen sich die Bounding Boxes auch an die Orientierung des Objekts anpassen. Dies führt zu einer präziseren Erkennung, da die Boxen optimal an die Form des Objekts angepasst werden.
Um ein Modell zu trainieren, müssen beschriftete Daten in Form von Bounding Box-Koordinaten bereitgestellt werden. Dies ermöglicht dem Deep-Learning-Modell, verschiedene Objektinstanzen zu erkennen und diese mit einer hohen Treffsicherheit zu klassifizieren.
PRÄZISION & ANPASSUNGSFÄHIGKEIT
Automatische Objekterkennung: Objekte werden genau lokalisiert, auch wenn sie sich überschneiden oder teilweise verdeckt sind.
Präzise Klassifikation: Die Detektion erfolgt mit hoher Genauigkeit, da Klasse und Position der Objekte ermittelt werden.
Anpassbare Orientierung: Durch die Möglichkeit, die Bounding Boxes an die Orientierung der Objekte anzupassen, wird die Erkennungsgenauigkeit weiter verbessert.
Geringer Aufwand: Der Trainingsaufwand wird durch automatisches Feature-Lernen und weniger manuelle Eingriffe minimiert.
ANWENDUNGEN IN DER PRAXIS
In der Lebensmittelindustrie lassen sich Kaffeepäckchen oder andere Produktverpackungen erkennen und zählen – selbst wenn diese sich überlappen oder eng nebeneinander liegen. Die Deep-Learning-Technologie sorgt dafür, dass jedes Päckchen korrekt lokalisiert und klassifiziert wird.
Die Deep-Learning-basierte Objektdetektion kann auch in der Logistik eingesetzt werden, um verschiedene Nahrungsmittelpackungen oder Produktverpackungen zu erkennen und zu zählen – ein wesentlicher Schritt für automatisierte Inspektionen und Qualitätskontrollen.
