Machine Vision Software - STEMMER IMAGING

BILDVERARBEITUNGSSOFTWARE

Von einfachen Entwicklungswerkzeugen bis zu

modernsten Algorithmen

CVB Polimago

Werkzeug zur schnellen und robusten Erkennung von polymorphen Objekten

CVB Polimago ist ein maschinelles Lernwerkzeug, das gegenüber anderen "Deep Learning"-Werkzeugen entscheidende Vorteile bietet. CVB Polimago lässt sich sowohl als Such- als auch als Klassifizierungstool einsetzen: es verfügt über die Fähigkeit nach variierenden Objekten zu suchen und diese zu unterscheiden bzw. zu klassifizieren.

Machine-Learning-Ansätze sind im Allgemeinen am erfolgreichsten, wenn es einfacher ist, Variationen zu zeigen als sie zu beschreiben. Während dieser Ansatz sehr häufig in Retail-Anwendungen eingesetzt wird, lässt er sich auch für industrielle Applikationen nutzen. Typische Anwendungen sind das Erkennen unbekannter Fehler, Such- und Klassifizierungsaufgaben in der Lebensmittelindustrie und das Auffinden von Fehlern bei unterschiedlich aussehenden Zielobjekten.



Die Hauptvorteile von CVB Polimago im Vergleich zu Deep Learning-Ansätzen von Convolutional Neural Networks (CNN):

  • Geringerer Bedarf an Trainingsdaten
    CVB Polimago benötigt in der Regel nur 20-50 Trainingsbilder pro Klasse. Dies ist im Vergleich zu anderen Werkzeugen, die üblicherweise 500 Bilder pro Klasse benötigen, ein großer Vorteil. Besonders in industriellen Anwendungen ist es schier unmöglich, 500 verschiedene Fehlerbeispiele (pro Typ) zu finden.

  • Trainingszeit
    Die Zeit, die man benötigt, um aus den Trainingsdaten einen Klassifikator zu erstellen, beträgt in der Regel 10 Minuten. In Deep-Learning-Werkzeugen braucht man dafür üblicherweise Stunden.

  • Hardware
    Deep-Learning-Tools benötigen eine leistungsstarke GPU, um schnell genug für den industriellen Einsatz zu sein. Ohne diese würde die Trainingsphase zehnmal länger dauern. CVB Polimago läuft auf einer Standard-CPU und ist ähnlich schnell wie ein neuronales Netzwerk mit Unterstützung von GPU-Beschleunigung, oft sogar noch schneller. Da CVB Polimago keine GPU benötigt, kann es auf einem kompakten PC anstelle eines 19-Zoll-Rack-Systems verwendet werden.


Suche und Klassifizierung

Anwendungen mit CVB Polimago unterteilen sich in Suche und Klassifizierung. Zu den tpyischen Anwendungen gehört das Auffinden veränderlicher Fehler, die mit klassischen Methoden nicht einfach zu finden sind. Die Klassifizierung kann einem Suchschritt folgen, damit ein Ziel gefunden und dann als bestimmter Typ klassifiziert werden kann. Ein Beispiel dafür ist die komplexe Zeichenerkennung (OCR), wie z. B. das Lesen gestempelter Zeichen oder Handschriften.

3D-Posenschätzung

Eine weitere Anwendung von CVB Polimago ist die 3D-Posenschätzung. Für ein planes Objekt ist es möglich, die Auswirkungen der Perspektive sowie der Rotation, Skalierung und Variabilität zu erlernen. Das bedeutet, dass CVB Polimago die x,y-Position, den Maßstab und auch die 3D-Axialwinkel (alpha, beta, gamma) zurückgeben kann ‒ was eine Beschreibung der Position und 3D-Richtung erlaubt, der das Objekt zugewandt ist.

CVB Polimago vs. Deep Learning

CVB Polimago liefert eine ähnliche Genauigkeit wie Ansätze mit neuronalen Netzwerken. Dabei wird die Ridge-Regression eingesetzt, eine „Supervised Learning“-Methode zur Suche und Klassifizierung in industriellen Bildverarbeitungsanwendungen. “Überwachtes Lernen“ heißt in diesem Zusammenhang, dass der Anwender in den Trainingsbildern typische Klassifizierungsmerkmale mittels einer ROI markiert hat. Dadurch ist der Polimago-Algorithmus in der Lage, eine Funktion zu erzeugen, die das gewünschte Ergebnis liefert. Ein entscheidender Faktor ist, dass CVB Polimago in der Regel nur 20 bis 100 Trainingsbilder benötigt, während neuronale Netzwerke 500 Bilder pro Klasse zum Antrainieren erfordern sowie 500 zulässige Referenzbilder („Gut“-Bilder). Beispielsweise würde ein CNN für eine OCR-Anwendung mit alphanumerischen Zeichen (A-Z und 0-9) 36 x 500 = 18.000 Trainingsbilder benötigen.

Kleinere Trainingssets bieten eine Reihe von Vorteilen. Erstens ist bei Polimago schnelleres Anlernen möglich als bei Werkzeugen, die auf neuronalen Netzwerken basieren. Polimago benötigt beispielsweise in der Regel 5 bis 20 Minuten Zeit zum Antrainieren, während ein CNN Stunden dafür braucht. Zweitens brauchen neuronale Netzwerke wesentlich länger, die erforderlichen Klassifizierungsmerkmale in ihren großen Traningssets zu kennzeichnen. Muss ein Trainingsprozess wiederholt werden, um verschiedene Parameter auszuwerten, arbeiten neuronale Netzwerke noch umständlicher.

CVB Polimago läuft auf einer Standard-CPU und ist ähnlich schnell wie ein CNN mit Unterstützung von GPU-Beschleunigung, oft sogar noch schneller. Da Polimago keine GPU benötigt, kann es auf einem kompakten PC anstelle eines 19-Zoll-Racks-Systems verwendet werden. Typische Ausführungszeiten für die Polimago-Suche liegen in der Größenordnung von einigen Millisekunden, die mit den Geschwindigkeiten GPU-beschleunigter neuronaler Netzwerke vergleichbar sind. Jedoch laufen CVB-Klassifizierungsaufgaben mit viel höheren Geschwindigkeiten ab, die oft unter einer Millisekunde liegen.

CVB Polimago ist deutlich kostengünstiger als viele CNN-basierte Werkzeuge und bietet darüberhinaus den Vorteil, dass es in CVB 2019 (vorraussichtliche Release Q3/2019) erstmals auch für LINUX (auf Intel und ARM-Plattformen) verfügbar sein wird. Damit kann es auch in Embedded-Bildverarbeitungsapplikationen eingesetzt werden.


Märkte und Applikationen

  • Applikationen mit CVB Polimago sind vielfältig ‒ sie umfassen die Suche (und Verfolgung) von natürlichen oder kontinuierlich veränderlichen Objekten. Dies macht dieses Tool zu einer guten Wahl für die Lebensmittelindustrie.

  • Das unterschiedliche Aussehen eines Zielobjekts kann auch auf die Beleuchtung zurückzuführen sein. CVB Polimago eignet sich daher perfekt für Außenanwendungen oder solche mit wechselnden Lichtverhältnissen, wie z. B. in der Landwirtschaft und im Verkehrsbereich.

  • CVB Polimago-Anwendungen zur Klassifizierung können ähnlich sein wie Anwendungen zum Suchen und Finden von Mustern, mit der Ausnahme, dass eine Entscheidung zwischen mehreren trainierten Klassen getroffen wird. Das Lesen von Zeichen (OCR), Geschlechterklassifizierung anhand von Gesichtern, Fahrzeugtyperkennung und Fehlerklassifizierung sind Beispiele geeigneter Anwendungen für CVB Polimago.


Produkte anzeigen

Lizenzen

CVB POLIMAGO

Robuste Erkennung und Klassifizierung polymorpher Objekte

  • Positions-, Rotations-, Skalierungs- und Verkippungsinvariante Objekterkennung
  • Posenabschätzung für Pick&Place-Aufgaben
  • Klassifizierungsfähigkeit z.B. für komplexe ...

CVB POLIMAGO 2L

Common Vision Blox - POLIMAGO
Zweitlizenz zur Duplizierung eigener Bildverarbeitungsapplikationen
Nur in Verbindung mit einer Lizenz CVB IMAGE MANAGER einsetzbar!

Datei Themen Größe
Common-Vision-Blox-CVB-Overview-en
Dokumente
2,0 MB
Common-Vision-Blox-CVB-Overview-en
Dokumente
2,0 MB