Ein Tool für das Deep Learning

In-Sight D900 von Cognex

Bei der In-Sight D900 von Cognex handelt es sich um eine industrielle Smart-Kamera mit Deep-Learning-Software (Quelle: Cognex)

Auch MVTec hat sich des Themas Deep Learning angenommen. Das Unternehmen bietet mit Halcon einen Werkzeugkasten, der alle für die Deep-Learning-Prozesskette benötigten Bestandteile enthält: Mit der integrierten Entwicklungsumgebung HDevelop alle Verarbeitungsschritte, von Bildeinzug über Vorverarbeitung und Training, bis hin zur Inferenz durchgeführt werden. Zusätzlich wird ein Deep Learning Tool angeboten, mit dem Nutzer Trainingsdaten für Halcons‘s Deep-Learning-basierte Objektdetektion und Klassifikation labeln können. Diese Daten sind anschließend nahtlos in Halcon integrierbar.

In der Anwendung gestaltet sich der Umgang mit dem DL-Tool wie folgt: Beim Labeln für die Objektdetektion wird jedes relevante Objekt mit einem umschließenden Rechteck (Bounding Box) gekennzeichnet und der entsprechenden Klasse zugewiesen. Das Labeln für die Klassifikation erfolgt durch Import der Bilder und die Zuordnung zur Klasse. Wenn die Bilder in entsprechend benannten Ordnern gespeichert sind, lassen sie sich beim Import auch automatisch labeln. Anschließend können Anwender alle wichtigen Parameter einstellen und auf Basis ihrer gelabelten Daten ein Training durchführen. Die trainierten Netzwerke sind direkt im Tool auswert- und vergleichbar. Der Bereich Evaluation bietet hierfür Informationen über die Modellpräzision, einschließlich einer Heatmap für die vorhergesagten Klassen aller verarbeiteten Bilder, sowie eine interaktive Konfusionsmatrix, die dabei unterstützt, Fehlklassifikationen aufzuspüren. Nutzer können auch die geschätzte Inferenzzeit pro Bild berechnen und die Auswertungsergebnisse ls einzelne HTML-Seite zu Dokumentationszwecken exportieren. Nach dem Labeln, dem Training sowie der Evaluation im Deep Learning Tool wird das trainierte Netz in der jeweiligen Laufzeitumgebung bereitgestellt.

Die Software Halcon beispielsweise integriert ab der Version 20.11 eine Methode zum robusten Extrahieren von Kanten mithilfe von Deep-Learning-Methoden. Sie eignet sich insbesondere für Szenarien, in denen in einem Bild eine Vielzahl von Kanten sichtbar sind. Mittels der Deep-Learning-basierten Kantenextraktion genügen nach MVTec-Angaben wenige Bilder für das Training, um ausschließlich die gewünschten Kanten zuverlässig zu erkennen. Dadurch wird der Programmieraufwand für derartige Prozesse reduziert. So ist laut Hersteller bereits das vortrainierte Netz in der Lage, Kanten auch bei geringem Kontrast und hohem Rauschen robust zu erkennen. Darüber hinaus haben Anwender mit „Pruning für Deep Learning“ die Möglichkeit, ein vollständig trainiertes Deep-Learning-Netz nachträglich zu optimieren. So kann die Priorisierung der Parameter Geschwindigkeit, Speicherplatzbedarf und Genauigkeit gesteuert und das Netz dadurch exakt an die anwendungsspezifischen Anforderungen angepasst werden.

3 / 4

Ähnliche Beiträge