工作区、流、工具

工作区、流、工具是VisionPro Deep Learning的基础。

 

VisionPro Deep Learning 工作区

工作区包含解决一项应用所需的所有工具集和图像数据库。

• 工作区分为流的集合。
• 每个流都有自己的训练图像数据库（不同的训练集），包含一组工具并单独运行

工作区是基本容器，容纳有关特定检测应用的所有相关信息。更具体地说，这包括下图中显示的所有组件：

• 图像

  检测应用围绕一组图像定义；首先对工具进行参数化和训练，然后再进行处理。

• 检测

  图像由一个或多个 Deep Learning 工具处理。对于一系列工具，前一工具的结果用于选择和裁剪图像中的特定矩形视图，以供后续工具进一步处理。

• 数据库

  由于所有 Deep Learning 工具都是基于学习的，因此需要标注的图像训练数据库。虽然所有工具都在同一组图像上进行训练，但关注区域（视图）和标签都是特定于工具的。

• 结果

  由不同工具执行的分析的结果是标记，可以在处理过的图像/视图上显示为叠层。

 

运行时工作区

运行时工作区是一个配置文件，不包含图像或数据库，只包含流和工具，因此是较小版本的完整工作区。可以在库中加载此配置文件以执行某些分析。有关运行时环境的详细信息，请参阅环境。

 

VisionPro Deep Learning 流

VisionPro Deep Learning 中的流被定义为训练图像的数据库和在该图像数据库上运行的 Deep Learning 工具的集合。这允许您为应用提供单个工作区，并且只需更改流入工作区的数据流。

每个工作区至少包含一个处理流（“默认”流），它可以容纳一系列工具。如果特定检查应用需要同一对象的多个不同视图，需要单独处理，则流的概念允许在同一工作区下对这些不同的处理链进行分组。

 

VisionPro Deep Learning 工具

如什么是 Cognex VisionPro Deep Learning™ 所示，每个 VisionPro Deep Learning 工具都是一个深度神经网络。每个工具都是一个机器视觉工具，可通过深度学习解决各种难以编程的挑战。您可以为每个工具创建一个或多个实例，因此您可以创建许多神经网络并在单个项目中进行训练。例如，要从一组图像中捕获缺陷，可以创建多个红色分析工具，每个工具都分配有不同的神经网络参数设置。

虽然这些工具共享一个引擎，但它们在图像中寻找的内容不同。更具体地说，在分析单个点、单个区域或完整图像时，每个工具都有不同的侧重点：

 

蓝色定位

蓝色定位 用于查找和定位图像中的单个或多个特征。无论是嘈杂背景中的小特征还是零散复杂对象；蓝色定位工具都可以通过从注释图像中学习来定位和识别复杂的特征和对象。要训练蓝色定位工具，您只需要提供标记目标特征的图像。

 

蓝色读取

蓝色读取 用于在图像内执行光学字符识别 (OCR)。无论是干净印刷的字符到嘈杂背景上强烈变形的字符，蓝色读取工具都可以通过从注释图像中学习来识别和读取字符。要训练蓝色读取工具，您只需要提供标记目标字符的图像。

 

红色分析

红色分析 用于执行两种类型的缺陷检测任务。

1. 异常/缺陷检测（无监督模式）

   • 红色分析聚焦无监督

2. 分割（监督模式）

   • 红色分析聚焦监督

   • 红色分析高细节

 

这两种不同的操作模式代表了两种缺陷检测类型之间可能存在的差异。对于异常/缺陷检测，红色分析聚焦无监督 仅使用正常的、无缺陷的视图进行训练，然后为测试数据集中的新视图做出关于有多少缺陷的决定。这是无监督学习或无监督训练，因为每个正常、无缺陷的视图都是带有“好”标签的图像，这最终意味着它们不需要任何标签。对于分割，用正常和有缺陷的视图来训练红色分析聚焦监督和红色分析高细节，然后为测试数据集中的新视图做出是否有缺陷的决定，并为每个有缺陷的视图做出缺陷位置的决定。这是监督学习或监督训练，因为训练的视图被标记为“好”或“坏”。

这两种模式在性能和要求方面是互补的，可以组合使用。例如，可首先将一种无监督（红色分析聚焦无监督）工具用于筛选视觉异常，然后将一到多个后续监督（红色分析聚焦监督、红色分析高细节）工具用于发现特定的和视觉上难以辨别的缺陷，如划痕、低对比度污渍或纹理变化。

 

挑战	无监督模式	监督模式
寻找未预见的缺陷	可能	不可能
需要缺陷样本	否	是
对零件配置和变化的敏感性	强	弱
检测线状缺陷，如划痕、裂缝或龟裂	困难	简单
检测特定的缺陷类型	否	可能
可测量的缺陷参数（紧接位置和强度）	无	尺寸、形状

 

用于 红色分析 有 2 种类型的神经网络架构。

1. 聚焦

   • 红色分析聚焦监督

   • 红色分析聚焦无监督

2. 高细节

   • 红色分析高细节

 

每种模式使用不同的架构，因此工具参数选项存在一些差异。高细节模式和聚焦模式使用不同的架构，因此工具参数选项有所不同。由于架构不同，结果和训练/处理所花费的时间也不相同。

 

绿色分类

绿色分类 以其快速准确的图像分类而闻名，并被来自对分类环境要求苛刻的无数领域的许多客户广泛采用。绿色分类工具用于识别和分类图像中的对象或整个场景。它还可用于对对象进行排序或进一步分析。绿色分类工具经过训练后，它就会为图像分配一个标记，工具使用该标记为图像分配一个类。该标记由标签表示，并给出一个百分比，表示该工具对其分配的分类具有确定性。

 

可以通过集中方法使用该工具的分类功能：

• 它可以用于简单地对图像中的对象进行分类，例如 A 部分、B 部分、C 部分等。此外，它可以用作门控工具，在其他工具执行下游检查之前使用。例如，绿色分类工具确定对象为是 B 部分，B 部分具有执行进一步检查的红色分析工具，而如果对象是 C 部分，则蓝色定位工具会计算特征。
• 它可以在红色分析工具的下游使用，以对遇到的缺陷类型进行分类，或者在蓝色定位工具之后对生成特定视图的模型的类型进行分类。

要使用该工具，请提供训练图像集，然后用适当的标签标记图像。标记图像后，训练工具。然后使用训练期间未使用的图像验证工具。

 

用于 绿色分类 有 3 种类型的神经网络架构。

1. 聚焦

   • 绿色分类聚焦

2. 高细节

   • 绿色分类高细节

3. 高细节快速

   • 绿色分类高细节快速

 

每种模式使用不同的架构，因此工具参数选项存在一些差异。高细节模式和聚焦模式使用不同的架构，因此工具参数选项有所不同。由于架构不同，结果和训练/处理所花费的时间也不相同。高细节快速模式基本上与高细节模式具有相似的架构，但它在训练阶段没有验证步骤，并且生成结果速度要快于高细节模式。

 

VisionPro Deep Learning 工具使用的基本步骤

下面是使用 VisionPro Deep Learning 中工具的一般基本步骤

1. 收集图像，并将其加入 VisionPro Deep Learning。

2. 选择与您的特定机器视觉问题相对应的工具来加以解决。

3. 浏览每个图像并仔细标注您要查找的缺陷/特征/类。

4. 将图像分成用于训练的训练集和不用于训练工具的测试集。

5. 编辑工具参数。

6. 训练工具并检查结果。

7. 通过呈现测试集图像来查看工具的结果。

8. 导出工具并在运行时环境中进行部署。

 

架构详细信息：聚焦

聚焦 VisionPro Deep Learning 工具使用特征采样器，该采用器按特定区域采样重要的图像像素信息，区域的大小和采样密度由用户指定。然后，它们利用这些信息来了解您贴上的标签，以及了解对您的视觉问题做出正确决定至关重要的特征。通常，聚焦工具比高细节工具快，但准确度低。

 

聚焦架构的 VisionPro Deep Learning 工具：

• 蓝色定位

• 蓝色读取

• 绿色分类聚焦

• 红色分析聚焦监督

• 红色分析聚焦无监督

 

架构详细信息：高细节

高细节 VisionPro Deep Learning 工具从图像的整个视图中对图像像素进行采样，因此它不使用特定的基于区域的采样器来采集图像像素信息。与聚焦工具相似，它们利用这些信息来了解您贴上的标签，以及了解对您的视觉问题做出正确决定至关重要的特征。通常，高细节工具比聚焦工具慢，但更准确。

 

高细节架构的 VisionPro Deep Learning 工具：

• 红色分析高细节

• 绿色分类高细节

 

架构详细信息：高细节快速

与高细节相似，高细节快速 VisionPro Deep Learning工具从图像的整个视图中对图像像素进行采样，因此它不使用特定的基于区域的采样器来采集图像像素信息。但是，高细节快速工具与高细节工具不同，因为后者采用面向速度的训练算法，因此通常比高细节工具快得多，但在准确性上有所损失。

 

高细节快速架构的 VisionPro Deep Learning 工具：

• 绿色分类高细节快速