Alarm
HxGN Visual Detection: Maschinelles Lernen
KI-gestützte Oberflächeninspektion
Produktanfrage
HxGN Visual Detection nutzt CNN (Convolutional Neural Network) Deep-Learning-Modelle, um Oberflächenfehler zu lernen, zu identifizieren und zu kategorisieren. Zum Starten ist eine relativ geringe Anzahl von Fehlerproben (in der Größenordnung von Hunderten) erforderlich. Wenn es unentdeckte Fehler feststellt, kann das Modell trainiert werden, um seine Fähigkeit zur Erkennung von echten positiven Fehlern zu verbessern.
Die Algorithmen in HxGN Visual Detection nutzen Mustererkennung, Statistik, Deep Learning und andere Bildverarbeitungsverfahren, um schnell mehr über Oberflächenabweichungen zu lernen.
Der maschinelle Lernprozess von HxGN Visual Detection
1. Label
2. Schulen
3. Inspect
Deep Learning sorgt für mehr Genauigkeit
Erfolgreiches Deep Learning hängt von der Tiefe und Empfindlichkeit des Lernmodells und seiner Umgebung ab. HxGN Visual Detection umfasst eine Reihe von Modellen (X-CNN, X-CNN-Tiny, X-CNN-Plus und Segmentierung), die für Leistung und Genauigkeit optimiert sind.
Der Aufbau eines erweiterten neuronalen Netzes verbessert die Fähigkeit von HxGN Visual Detection, Mängel (auch bekannt als echte positive Fehler) rasch und richtig zu identifizieren. Dazu tragen leistungsfähige Algorithmen wie die Erweiterung synthetischer Bilddaten, Bildmorphing, Normalisierung und Reduzierung der Dimensionalität bei.
Die Grundlagen dieser Modelle basieren auf anerkannten Branchenmodellen wie GAN, YOLO und RCNN.
HxGN Visual Detection bietet ein offenes Architekturdesign, das sich leicht in kundenspezifische CNN-Modelle integrieren lässt. Die Anwendung ist über eine API erweiterbar und kann in automatisierte Fertigungszellen von Drittanbietern integriert werden.
Erweiterte neuronale Netzwerke
Synthetische Bilddatenerweiterung, Bildmorphing und Normalisierungsalgorithmen.
Benutzerfreundliche Hyperparameter
Feinjustierte Bildauswertung ohne Codierung.
Nach dem YOLO-Prinzip (you only look once – man schaut nur einmal) von CNN erstellt
Führendes neuronales Netz für eine schnelle Objekterkennung.
Wählen Sie aus einer Reihe von CNN-Modellen
Wählen Sie das sinnvollste Modell für maschinelles Lernen für Ihre Anwendung.
Automatisieren mit Drittanbietersystemen
Fügen Sie Vision- und Messtechnik-Workflows über die Brücken-Anwendung hinzu.
Was ist HxGN Visual Detection?
