Vision Systeme für Deep Learning
Deep Learning kommt bei Computer Vision Anwendungen mehr und mehr zum Einsatz. Künstliche neuronale Netze (KNNs) haben zwei wichtige Vorteile. Einerseits haben KNNs das Potenzial, die Genauigkeit und Robustheit von Anwendungen für die Fabrikautomatisierung, Robotik oder den Einzelhandel zu verbessern. Andererseits sind KNNs in der Lage, bildbasierte Probleme für Anwendungen zu lösen, für die das in der Vergangenheit nicht möglich war, z.B. Pathologieerkennung in der Mikroskopie oder die komplexe Musterklassifizierung bei der Oberflächeninspektion.
Vergleich von klassischer Bildverarbeitung mit Deep Learning
Klassische Bildverarbeitung
Einsatzmöglichkeiten:
Erkennung einfacher Formen und Strukturen
Rektifizierung und Koordinatenumrechnungen
Messungen von Positionen, Entfernungen, Größen
Vorverarbeitung von Bildern
Codeleser
Vorteile:
Schnelle und einfache Einrichtung
Ausgereifte, nachvollziehbare Algorithmen
Deep Learning basierte Bildverarbeitung
Einsatzmöglichkeiten:
Erkennung von Elementen mit variierenden Formen und Größen
Klassifikation von komplexen Elementen und Strukturen
Erkennung bei variierenden Hintergründen
Erkennung bei wechselnden Lichtbedingungen
Texterkennung
Vorteile:
Robuste Einrichtung
Hohe Performance bei Erkennung komplexer Elemente
FPGA Framegrabber-basiertes Deep Learning: schnellste Inferenz & höchste Zuverlässigkeit
Beste Performance, schnellste Inferenz pro Sekunde, höchste Zuverlässigkeit - wenn Ihre Anwendung einen hohen Durchsatz erfordert, ist das FPGA Framegrabber-basierte Vision System für Deep Learning die richtige Wahl für Sie. Mit dem microEnable 5 marathon deepVCL von Silicon Software in Verbindung mit der FPGA-Konfigurationssoftware VisualApplets können Sie Ihr KNN mit wenigen Klicks auf FPGAs einsetzen.
Mehr über FPGA Framegrabber-basierte Systeme für Deep Learning
PC-basiertes Deep Learning: kurze Produktentwicklungszeit & niedrige Integrationskosten
Niedrige Integrationskosten und kurze Produktentwicklungszeit (Time-to-Market): PC-basierte Systeme punkten mit einfachem Design-In. Nutzen Sie unsere plug-and-play-fähige Hard- und Software, um Ihr PC-basiertes Deep Learning Vision System zu entwerfen. Dank unseres umfangreichen ace Kameraportfolios und der pylon Camera Software Suite kann Ihr KNN ohne großen Integrationsaufwand eingesetzt werden.
Mehr über PC-basierte Systeme für Deep Learning
Embedded Vision für die kompaktesten und kostengünstigsten Deep Learning Lösungen
Die kompaktesten und kostengünstigsten Vision Systeme können mit Hilfe von Embedded Technologie entwickelt werden. Die Kombination aus Boardlevel-Kameras und Embedded Processing-Einheiten sorgt für niedrigste Stückkosten. Intelligente Edge-Geräte bieten schnelle Laufzeiten, geringe Latenzzeiten und mehr Datenschutz und Sicherheit. Von Kameramodulen über Konzeptstudien bis hin zu schlüsselfertigen Lösungen – wir kümmern uns um Ihr Embedded Vision System für Deep Learning.
Mehr über Embedded Vision Systeme für Deep Learning
Welche Arten von Trainingsdaten gibt es?
Während sich an dieser Reihenfolge nichts ändert, gibt es jedoch verschiedene Möglichkeiten, wie der Umgang mit den Trainingsdaten ablaufen kann:
Überwachtes Lernen: Der Algorithmus erhält sowohl die Fragestellungen als auch die zugehörigen Antworten. Diese Daten werden gelernt, sodass neue Fragestellungen nur korrekt zugeordnet werden müssen.
Unüberwachtes Lernen: Der Algorithmus erhält nur Fragestellungen und lernt, aus den Daten Muster und Strukturen zu erkennen. Durch das richtige Gruppieren der Daten können dann z.B. Clusteranalysen durchgeführt werden.
Bestärkendes Lernen: Das System interagiert mit der Umwelt, um durch falsches oder richtiges Handeln die optimale Aktion zu erlernen. Falsches Handeln wird bestraft, während richtig ausgeführte Aktionen bestärkt werden.
Da das neuronale Netzwerk der Kern des Algorithmus ist und erheblich zum Erfolg des Systems beiträgt, ist das Training des Netzwerks von sehr hoher Bedeutung. Nicht umsonst haben große Konzerne wie Google, Microsoft oder IBM immense Summen in die Entwicklung von maschinellem Lernen und die Erstellung von Datenbanken investiert. Google hat die eigene Datenbank TensorFlow sogar als Open-Source bereitgestellt wodurch die Datenbank nicht nur öffentlich zugänglich, sondern auch stetig weiterentwickelt wird.
