4 Schritte
Nach dem Export der Daten aus dem Deep Learning Tool in HDevelop analysiert HALCON die Bilder und lernt automatisch, welche Merkmale zur Erkennung der jeweiligen Klassen relevant sind.
Im Gegensatz zu klassischen Verfahren entfällt dabei die manuelle Extraktion der Merkmale durch den Benutzer.
Sie können Ihre eigenen Klassifikatoren auf Basis der in HALCON enthaltenen vortrainierten CNNs (Convolutional Neural Networks) trainieren. Diese Netzwerke wurden speziell für industrielle Anwendungen optimiert und basieren auf hunderttausenden Beispielbildern.
Darüber hinaus unterstützt HALCON auch Drittanbieter-Netzwerke im ONNX-Format (Open Neural Network Exchange) – so lassen sich bestehende Modelle anderer Frameworks problemlos integrieren.
Überprüfen Sie, ob die Leistung Ihres Modells für die Anwendung ausreichend ist. Dafür stehen Ihnen in HALCON verschiedene Visualisierungsmöglichkeiten zur Verfügung:
So können Sie die Modellqualität gezielt bewerten und Trainingsparameter optimieren.
Nach erfolgreichem Training und Evaluation kann das Modell (CNN-Klassifikator) auf neue Bilder angewendet werden – dieser Schritt wird Inferenz genannt. Dabei erkennt das Netzwerk automatisch, ob eine Probe z. B. verkratzt, verschmutzt oder fehlerfrei ist.
Die Inferenz kann sowohl auf GPUs als auch auf CPUs (x86- und Arm®-basiert) ausgeführt werden.
Über die AI²-Schnittstelle (AI Accelerator Interface) werden zusätzlich spezialisierte Hardware-Beschleuniger unterstützt, um die Ausführungsgeschwindigkeit zu maximieren.
HILFREICHE SERVICES FÜR IHRE DEEP-LEARNING-ANWENDUNG
