分類 (緑)

分類 (緑) ツールを使用すると、画像内のオブジェクトまたはシーン全体を識別して分類できます。このツールは画像にタグを割り当て、そのタグを使用して画像をクラスに分類します。タグはラベルで表され、各ラベルには、割り当てられたクラスに対するツールの信頼性を示す割合が表示されます。

分類 (緑) ツールは、次のようなタスクを実行できます。

• オブジェクトまたはシーンの分類

• ラベル付き画像のコレクションに基づいたさまざまなクラスへの分類

• パッケージに基づいた製品の識別

• 溶接線の品質の分類

• 許容できる異常と許容できない異常の分類

分類 (緑) ツールをツールチェーンの一部として柔軟に活用できます。たとえば、

• 分類 (緑) ツールは、クラスの画像をさらなる検査のために解析 (赤) ツールに渡し、代わりに別のクラスの画像を位置決め (青) ツールに渡して特徴をカウントすることができます。

• 分類 (緑) ツールは、解析 (赤) ツールから画像を取得して、欠陥のタイプを分類することができます。

• 分類 (緑) ツールは、位置決め (青) ツールから画像を取得して、特定のビュー 画像のビューは、画像内のピクセルの領域です。ツール処理は、そのビュー内のピクセルに限定されます。ビューは手動で指定するか、または上流のツールの結果を使用して作成できます。を生成したモデル 一連の特徴に固有の空間的配置 (位置決め (青) ツールと読み取り (青) ツールのみ)。後処理手順中に、位置決め (青) ツールと読み取り (青) ツールは、そのツール用に定義されたモデルに、画像で検出されたすべての特徴を適合させることができます。モデルの全体的なポーズと ID が返されます。のタイプを分類することができます。

ツールタイプ

マシンビジョンの問題を解決するために 分類 (緑) ツールが必要であるとわかった場合、登録 学習とは、ニューラルネットワークであるツールが、作成したラベルに基づいて特徴 (ピクセル) について学習するプロセスです。たとえば、ツールは、描画した欠陥/正常ラベルに基づいて、各画像の欠陥/正常ピクセルを学習します。ツールへの登録の目標は、初見の画像に欠陥があるかどうかの正しい検査結果を出せるように学習することです。学習の鍵は、学習セット内に発生する可能性のすべてのバリエーションを含め、画像に正確にラベルを付けることです。学習時間は、アプリケーション、ツールのセットアップ、およびネットワークの学習に使用されている PC の GPU によって異なります。に使用するツールのタイプを選ばなければなりません。これは、[ツールのパラメータ] サイドバーで [タイプ] パラメータを設定することによって実行できます。

分類 (緑) ツールには以下のタイプがあります。

• 最も正確な分類を行うための 標準 タイプ。

• レガシー タイプは、以前の VisionPro Deep Learning ソフトウェアバージョンのフォーカスモードツールとの互換性を持たせるためのものです。レガシー タイプのツールは 標準 タイプのツールより高速ですが、精度は低くなります。

異なるツールタイプは、異なるタイプのニューラルネットワークモデル 各 VisionPro Deep Learning ツールはニューラルネットワークです。ニューラルネットワークは、人間の脳内の生物学的なニューロンの働きを模倣しています。ニューラルネットワークは、ノードと呼ばれる相互接続された人工ニューロンの層で構成されており、複数の層があります。ニューラルネットワークは、画像分類やパターン認識のようなタスクにおいて優れています。に対応します。登録時間と処理時間が長くなっても精度の高い結果を取得したい場合は、標準 タイプを使用します。標準 タイプのツールは画像全体を公平に検査します。一方、レガシー タイプのツールは特徴のサンプリングを活用するため、選択的で、有用な情報を含む画像の部分に照準が合わされます。そのため、特に画像のあらゆる場所に重要な情報が存在する場合、重要な情報を十分にツールで伝送できない可能性があります。

標準 タイプ

標準 タイプのツールは、レガシー タイプの改善バージョンです。標準 タイプの方がパフォーマンスは高いですが、登録と処理により多くの時間がかかります。標準 タイプのツールは、1 枚の画像に対して複数のラベルをサポートしていません。

標準 タイプのツールは、異なるモードで以下の機能をサポートしています。

モード	NVIDIA Tensor RT 速度の最適化	外れ値得点	ヒートマップ
高速	有	有	有
少ないショット	有	無	有
正確	有	有	有
ロバスト	無	有	有

標準 タイプのモード

モードとはニューラルネットワークモデルのサブタイプを指し、登録と処理に必要な時間に影響します。登録を開始する前に、[モード] パラメータでモードを選択します。次のモードを使用することができます。

• 高速:このモードを選択すると、処理時間は短くなりますが、精度が下がります。

• 高精度:このモードを選択すると、精度は高くなりますが、処理時間が長くなります。

• ロバスト:このモードを選択すると、ツールに再登録せずに、ツールを異なる生産ラインや新しい製品に使用できます。このモードでは、ツールが生産ラインの変化や、同様の欠陥を持つ製品のバリエーションに適応できます。

注: ロバストモードでは、画像サイズが大きくなると処理時間が増加します。

• Few Sample:このモードを選択すると、数枚の画像だけでツールに登録できます。登録時間や処理時間は他のモードよりも長くなります。

  • 他のモードでツールに登録する十分な画像がない場合に、Few Sample モードを使用してください。十分な登録画像が揃ったら、別のモードに切り替えてください。

  • このモードは他のモードよりパラメータが少ないです。

  • このモードは、登録で損失のインスペクタ 機能と検証 検証とは、ツールへの登録中のパフォーマンスの評価に役立つプロセスを指します。検証とは、ツールが登録フェーズで受ける模擬試験のようなもので、最終テストとは異なります。たとえば、検証により、オーバーフィッティングを認識し、ツールへの登録時に時間を無駄にするのを防ぐことができます。ツールでオーバーフィッティングが生じていると認識した場合、登録を早期に停止することができます。画像セットを使用しません。

  • このモードでは、画像サイズが自動的に 512x512 ピクセルに縮小されます。

  • Few Sample モードでは、クラスごとに 1 枚の画像だけで登録セットに登録できますが、他のモードではクラスごとに 4 枚の画像が必要です。

  • このモードは Cognex Deep Learning パラメータ検索 ユーティリティをサポートしていません。

標準 タイプの機能と利点

標準 タイプには次のような利点があります。

• 標準 タイプのツールは画像全体をサンプリングするため、登録パラメータと摂動 摂動は、特定の種類のばらつきの影響をシミュレートすることによって、登録済みツールでパーツおよび画像のばらつきの許容値を改善するプロセスです。パラメータが多く、サンプリングパラメータはありません。

• 登録で検証画像セットを使用して検証損失をモニタし、[損失のインスペクタ] 機能をサポートしています。

• [ビューのインスペクタ] のヒートマップをサポートし、画像オーバーレイとしても利用できます。ヒートマップは、ツールが画像の分類に使用した手掛かりを示します。

• 外れ値得点をサポートしており、[外れ値得点] 処理パラメータで有効にすることができます。

  外れ値得点は、ビューが登録セットの他のビューから逸脱している度合いを示します。得点が高い場合、生産ラインでの異常 (照明条件が変化したなど) を示している可能性があります。

• NVIDIA Tensor RT を使用した、ランタイムの処理速度の最適化をサポートしています。

• 注: Tensor RT 速度の最適化を行う際、外れ値得点機能とヒートマップ機能を同時に使用することはできません。速度の最適化を有効にすると、外れ値得点とヒートマップが無効になります。ランタイムワークスペース ランタイムワークスペースは、画像またはデータベースを含まない設定ファイルであり、ストリームとツールのみを含んでいるため、完全なワークスペースの小型バージョンとなっています。この設定ファイルは、解析を実行する目的でライブラリに読み込むことができます。をエクスポートする際、エクスポートダイアログに含める機能を選択する必要があります。

レガシー タイプ

レガシー タイプのツールは、標準 タイプのツールよりシンプルなバージョンです。標準 タイプの方がパフォーマンスは高いですが、登録と処理により多くの時間がかかります。レガシー タイプは、1 枚の画像に対して複数のラベルをサポートしています。この機能は、[排他的] パラメータで有効にすることができます。

レガシー タイプのツールは、サンプリング領域に関連付けられた特徴のサンプラーでピクセルをサンプリングします。[ツールのパラメータ] サイドバーのサンプリングパラメータを使用して、サンプリング領域を定義します。サンプリング領域に欠陥ピクセルが含まれていない場合は、ネットワークが応答を生成しない必要があります。