Deep Learning - KI

Mit diesen Tools können Sie Bilder mithilfe der Deep Learning-Technologie kategorisieren. Der Begriff „Deep Learning“ (DL) bezieht sich auf eine Familie von maschinellen Lernverfahren. MERLIC umfasst Tools für die Klassifizierung und für die Anomalieerkennung. Das Unterscheidungsmerkmal ist entweder eine Anomalie oder eine zuvor definierte Klasse.

Lizenzanforderungen

Um die MERLIC-Tools der Kategorie „Deep Learning - KI“ verwenden zu können, muss eines der folgenden Lizenzkriterien erfüllt sein:

Sie verfügen über eine Lizenz für das MERLIC-Paket „X-Large“.
Sie verfügen über eine Lizenz für eines der anderen MERLIC-Pakete („Small“, „Medium“, „Large“) und über eine zusätzliche Lizenz für das Add-On „Deep Learning“. Die Anzahl der erworbenen Deep Learning-Add-Ons bestimmt die Anzahl der MERLIC-Tools der Kategorie Deep Learning - KI, die Sie in einer MVApp verwenden können:
- Wenn nur ein Add-On erworben und aktiviert wurde, ist nur ein Deep Learning - KI-Tool je MVApp zulässig.
- Wenn zwei Add-Ons erworben und aktiviert wurden, ist die Anzahl der Deep Learning - KI-Tools nicht beschränkt.

Unterstützung von KI-Beschleuniger-Hardware

MERLIC umfasst Artificial Intelligence Acceleration-Schnittstellen (AI²) für das NVIDIA® TensorRT™ SDK und die Intel® Distribution of OpenVINO™ toolkit. Sie ermöglichen die Verwendung von KI-Beschleuniger-Hardware, die mit dem NVIDIA® TensorRT™ SDK oder dem OpenVINO™ toolkit kompatibel ist, um Deep Learning-Modelle für Inferenz in MERLIC-Tools mit Deep Learning-Funktionalität zu optimieren. Dadurch lassen sich deutlich schnellere Deep-Learning-Inferenzzeiten erzielen.

Weitere allgemeine Informationen zur AI²-Schnittstelle, z. B. zu den Systemanforderungen und zur Verwendung von Hardware, die über das OpenVINO™ toolkit oder NVIDIA® TensorRT™ in MERLIC beschleunigt werden kann, finden Sie unter AI²-Schnittstellen für Tools mit Deep Learning.

Übliche Anwendungsfälle

Mit dieser Übersicht können Sie das richtige Deep Learning-Tool ermitteln.

Aufgabe	Tool	Verwendung
Klassifizieren eines ganzen Bilds in eine von mehreren gegebenen Klassen. Verwenden Sie dieses Tool, wenn Sie über Daten verfügen, in denen alle Klassen gleichermaßen vertreten und genügend Daten für alle Klassen vorhanden sind. Das Klassifizierungsmodell kann die Merkmale beim Training explizit erlernen. Daher ist es wahrscheinlich, dass diese Methode eine bessere Leistung aufweist als eine Anomalieerkennung.	Bild klassifizieren	Sie können dieses Tool beispielsweise für die Unterscheidung von guten und schlechten Samples verwenden. Dazu müssen Sie dem Deep Learning-Modell zuerst beibringen, welche Bilder zur Kategorie „gut“ und welche Bilder zur Kategorie „schlecht“ gehören. Verwenden Sie das Deep Learning Tool von MVTec, um das neuronale Netz einzulernen. Der Workflow sieht folgendermaßen aus: Definieren Sie die Klassen, kennzeichnen Sie Ihre Bilder entsprechend und trainieren Sie schließlich das Deep Learning-Modell. Durch das Training entsteht ein sogenannter Klassifikator. Importieren Sie diesen Klassifikator in MERLIC und wenden Sie ihn auf neue Bilder an. Diese Bilder werden dann in die zuvor definierten Klassen kategorisiert.
Zuweisen der Wahrscheinlichkeit, dass ein Pixel ein unbekanntes Merkmal anzeigt. Jedem Pixel des Eingabebildes wird eine Bewertung zugewiesen, die die Wahrscheinlichkeit angibt, dass das Pixel ein unbekanntes Merkmal, d. h. eine strukturelle Anomalie, anzeigt. Verwenden Sie dieses Tool zum Suchen von strukturellen Anomalien in Bildern, um „gute“ Samples und „schlechte“ Samples voneinander zu unterscheiden. Ein „gutes“ Sample ist ein Bild ohne Fehler, und ein „schlechtes“ Sample ist ein Bild mit einem Fehler. Dieses Tool ist empfehlenswert, wenn Sie nur wenige Bilder haben oder nicht wissen, wie sich die Fehler später zeigen, da Sie nur gute Samples zum Trainieren des Modells benötigen.	Anomalien finden	Um Anomalien suchen zu können, müssen Sie zuerst das Deep Learning-Modell trainieren. Ein Training, wie gute Samples (ohne Anomalien) aussehen, ist ausreichend. Schlechte Samples sind optional, können aber hilfreich sein, um das Modell zu verbessern. Nach dem Training kann das Deep Learning-Modell entscheiden, ob neue Bilder einen Fehler aufweisen oder nicht, und angeben, wo sich der Fehler im Bild befindet.
Zuweisen der Wahrscheinlichkeit, dass ein Pixel ein unbekanntes Merkmal anzeigt oder Einschränkungen in Bezug auf den Bildinhalt verletzt werden. Diese Wahrscheinlichkeit wird in einer Bewertung ausgegeben, die den einzelnen Pixeln im Eingabebild zugewiesen wird. Sie gibt an, wie wahrscheinlich eine strukturelle Anomalie, z. B. ein unbekanntes Merkmal in einem kleineren Maßstab, oder eine logische Anomalie ist, z. B. Verletzung von Einschränkungen in Bezug auf den Bildinhalt in einem größeren Maßstab. Verwenden Sie dieses Tool zum Suchen von strukturellen und logischen Anomalien in Bildern, um gute Samples (Bilder ohne Fehler) und schlechte Samples (Bilder mit Fehler) voneinanander zu unterscheiden. Dieses Tool ist empfehlenswert, wenn Sie logische Anomalien im großen Maßstab suchen. Zum Trainieren des Deep Learning-Modells, das zum Erkennen von Anomalien in einem globalen Kontext verwendet wird, ist jedoch eine Vielzahl von Bildern erforderlich. Solange ausreichend viele Daten verfügbar sind, sollte dies kein Problem sein, da das MVTec Deep Learning Tool für die Verwendung vieler Bilder konzipiert ist. Wenn umfangreiche Daten zum Trainieren des Modells vorhanden sind, können Sie das Tool „Anomalien im globalen Kontext finden“ auch für die Suche nach strukturellen Anomalien verwenden, da das Trainieren eines Deep Learning-Modells mit vielen Bildern mit dem MVTec Deep Learning Tool viel einfacher ist als mit dem Trainingsmodus im MERLIC-Tool „Anomalien finden“.	Anomalien im globalen Kontext finden	Um Anomalien im globalen Kontext zu finden, müssen Sie zuerst mit dem MVTec Deep Learning Tool oder mit MVTec HALCON ein Deep Learning-Modell trainieren. Importieren Sie dieses Deep Learning-Modell in MERLIC und wenden Sie es auf neue Bilder an. Das Deep Learning-Modell kann entscheiden, ob neue Bilder einen Fehler aufweisen oder nicht, und angeben, wo sich der Fehler im Bild befindet.
Finden von Objekten der vorgegebenen Objektklassen und Lokalisieren der Objekte im Bild. Abhängig vom verwendeten Deep Learning-Modell können Sie auch die jeweiligen Regionen der Objekte ermitteln. Verwenden Sie dieses Tool, wenn Sie über Daten verfügen, in denen alle Klassen gleichermaßen vertreten und genügend Daten für alle Klassen vorhanden sind. Das Deep Learning-Modell kann die Merkmale beim Training explizit erlernen. Sie können dieses Tool beispielsweise verwenden, um Gegenstände zu greifen und an der richtigen Position zu platzieren. Darüber hinaus können Sie dieses Tool verwenden, wenn Sie mit einem Instanzsegmentierungsmodell mehrere Instanzen derselben Klasse unterscheiden möchten.	Objekte finden	Um Objekte mit diesem Tool zu lokalisieren, müssen Sie zuerst ein Deep Learning-Modell trainieren, das dann als Eingabe für dieses Tool verwendet werden kann. Sie können Deep Learning-Modelle für die Objekterkennung oder Instanzsegmentierung verwenden, die mit dem MVTec Deep Learning Tool oder MVTec HALCON trainiert wurden. Das Deep Learning-Modell kann Objekte der vorgegebenen Klassen erkennen und die Stellen im Bild markieren, an denen sich die Objekte befinden.
Zuweisen der einzelnen Pixel eines Bildes zu einer bestimmten Klasse mit einem Deep Learning-Netzwerk für die semantische Segmentierung und Erkennen von Pixelregionen, die zur gleichen Klasse gehören. Im obigen Beispiel wird das Eingabebild in vier verschiedene Klassen segmentiert. Jedes Pixel des Eingabebilds wird einer Klasse zugewiesen. Aber weder die drei verschiedenen Instanzen der Klasse „apple“ noch die beiden verschiedenen Instanzen der Klasse „orange“ sind unterschiedliche Objekte. Ein Sonderfall der semantischen Segmentierung ist die Kantenextraktion, bei der das Modell zur Unterscheidung von zwei Klassen trainiert wird: „Kante“ und „Hintergrund“. Im Gegensatz zur Instanzsegmentierung unterscheidet die semantische Segmentierungsmethode nicht zwischen mehreren Instanzen derselben Klasse. Wenn die Anwendung Objekte derselben Klasse unterscheiden können muss, können Sie das Tool „Objekte finden“ verwenden.	Bild pixelgenau segmentieren	Um Bilder pixelgenau in vordefinierte Klassen zu segmentieren, muss zuerst mit dem MVTec Deep Learning Tool oder MVTec HALCON ein Deep Learning-Modell für die semantische Segmentierung trainiert werden. Anschließend kann dieses Deep Learning-Modell im MERLIC-Tool „Bild pixelgenau segmentieren“ verwendet und auf Bilder angewendet werden. Wenn Sie den Mauszeiger im Toolboard über das Bild bewegen, werden am Mauszeiger Informationen zur Segmentierung angezeigt. Angezeigt werden der Name der Klasse, die dem Pixel an der aktuellen Mausposition zugewiesen wurde, sowie die entsprechende Konfidenz.