halcon深度学习

图像分类   IMAGE CLASSIFICATION
物体检测   OBJECT DETECTION
语义分割   SEMANTIC SEGMENTATION
异常检测   ANOMALY DETECTION
边缘提取   EDGE EXTRACTION
实例分割   INSTANCE SEGMENTATION

图像分类 IMAGE CLASSIFICATION

物体检测 OBJECT DETECTION

语义分割 SEMANTIC SEGMENTATION

异常检测 ANOMALY DETECTION

边缘提取 EDGE EXTRACTION

实例分割 INSTANCE SEGMENTATION

在图像分类中，基于先前定义的属性将对象分配给一个或多个类别。目标是决定单个图像的类别。例如，该技术用于质量控制中的检查任务。

使用 MVTec 软件进行基于深度学习的图像分类可以轻松地将图像分配给经过训练的类，而无需特殊标记的数据——在数据文件夹之后对图像进行简单的分组就足够了。因此，标记和开发工作量很低，这使得设置时间特别短。此外，将分类器应用于新数据的速度特别快。此外，与手动处理的检查任务相比，错误率非常低。

药丸质量检验

天然产物的分类

物体检测 OBJECT DETECTION

基于深度学习的对象检测定位训练的对象类并用周围的矩形（边界框）识别它们。接触或部分重叠的对象也被分开，从而实现对象计数。

HALCON 还为用户提供了让这些矩形根据对象的方向对齐的选项，从而实现更精确的检测，因为矩形可以更紧密地匹配对象的形状。

对于目标检测，需要以边界框坐标的形式提供标记数据。训练后的模型能够以一定的置信度检测不同类型的不同对象实例，包括它们在图像上的位置。每个实例，模型返回一个边界框和一个相应的预测类。

语义分割 SEMANTIC SEGMENTATION

通过基于深度学习的语义分割，可以以像素精度对经过训练的缺陷类别进行定位。例如，这允许用户解决以前无法实现或仅通过大量编程工作才能实现的检查任务。

语义分割为图像中的每个像素分配一个类别。同一类的不同实例之间没有区别。通常，“背景”类被分配给不属于感兴趣类的所有像素。通过在足够数量的训练数据上训练模型，它最终学会为输入图像中的每个像素预测一个类别。此外，为输出中的每个像素计算置信度分数。

异常检测 ANOMALY DETECTION

基于深度学习的异常检测显着促进了自动表面检测，例如缺陷的检测和分割。该技术能够准确且独立地定位后续图像上的偏差，即任何类型的缺陷。您只需要少量的高质量图像进行训练，因为无需任何先前知识或任何先前的标记工作即可检测到不同外观的缺陷。训练一个新的网络大部分可以在几秒钟内完成，允许用户执行多次迭代来微调他们的应用程序，而不会牺牲很多宝贵的时间。此外，推理也非常快。

边缘提取 EDGE EXTRACTION

深度学习边缘提取是一种新的、独特的方法来稳健地提取边缘（例如，对象边界），它具有两个主要用例：

尤其是对于图像中可以看到多种边缘的场景，MVTec 的深度学习边缘提取可以只用很少的图像进行训练，从而可靠地提取出想要的边缘。

因此，使用 MVTec HALCON 可以大大减少提取特定类型边缘的编程工作量。此外，预训练网络天生就能够在低对比度和高噪声情况下稳健地检测边缘。这使得提取通常边缘检测过滤器无法检测到的边缘成为可能。

实例分割 INSTANCE SEGMENTATION

实例分割结合了语义分割和对象检测的优点。在实例分割的帮助下，可以将对象分配到具有像素精度的不同类别。该技术在对象彼此非常接近、接触或重叠的应用中特别有用。典型用例还包括从盒子中随机排列的物体（拾取）以及识别和测量自然生长的结构。