Unsere von Grund auf entwickelte Retina-Deep-Learning-Software im Überblick

Dank unserer Partner und Kunden, die unserer Expertise in Bildverarbeitungsanwendungen vertraut haben, konnten wir am Aufbau einer fortschrittlichen KI-Deep-Learning-Algorithmenbibliothek mitwirken, die speziell für die industrielle Bildverarbeitung in Fabrikautomatisierungsanwendungen entwickelt wurde. Detaillierte Beschreibungen, Anwendungsbeispiele, Bilder und Demovideos finden Sie in unserem Bereich «Neuigkeiten» (wir arbeiten kontinuierlich daran, diesen Bereich auszubauen; abonnieren Sie bitte unsere LinkedIn-, Facebook– oder YouTube-Seiten, um über neue Inhalte benachrichtigt zu werden).

Unsere Deep-Learning-Software Retina definiert Ihre Qualitätsprüfung mithilfe künstlicher Intelligenz neu und hilft, fehlerhafte Produkte in Echtzeit 24/7 mit derselben Genauigkeit und Flexibilität wie ein Mensch zu erkennen, ohne dabei von Müdigkeit oder Stimmungen beeinflusst zu werden. Nur Deep Learning kann mehrere Teile pro Sekunde präzise, zuverlässig und kontinuierlich prüfen.
Die Robustheit und Konstanz der Retina Deep-Learning-Software ist ein leistungsstarkes Werkzeug, das Bediener dabei unterstützt, die Konformität der Produkte schneller zu beurteilen, sodass sie sich auf ihre eigentliche, wertschöpfendere Hauptaufgabe konzentrieren können.

Deep-Learning-basierte Bildanalyse ermöglicht es Herstellern, Produktionslinien mit modernsten Inspektionsalgorithmen zu automatisieren, anspruchsvolle Fehler zu erfassen und die Produktqualität innerhalb von Minuten zu steigern.

Mit der Retina-Software müssen Sie weder Data Scientist, Deep-Learning-Experte noch Computer-Vision-Ingenieur sein, um eine KI-gestützte Vision-Inspektion schnell in Betrieb zu nehmen.

Zusammenfassend bieten wir unsere Retina-Deep-Learning-Software in 4 Varianten an (Standalone-Anwendung, .NET-DLL, C/C++-DLL, Plugins für Cognex Designer und Matrox Design Assistant):

1. Variante Cherry:

• • Anomaliedetektor für anspruchsvolle, komplexe oder glänzende Oberflächen mit pixelgenauer Erkennung — das Aneinanderreihen mehrerer Tools mit unterschiedlichen Feature-Größen entfällt.
  • Rezept-/Modellwechsel zur Laufzeit per einfacher Zahleneingabe — ohne komplexes Scripting.
  • (Erweitert) Multi-Class-Fehlererkennung — mehrere unterschiedliche Tools zum Erkennen und anschließenden Klassifizieren von Fehlern werden überflüssig.
  • Parallele Multi-Instance-/Multi-Thread-Ausführung zur Laufzeit auf einer einzigen GPU — reduziert Hardware- und Wartungskosten.
  • Optimierte Zuweisung und Nutzung des Grafik-/CUDA-Speichers.

2. Variante Blueberry:

1. • Zum Lokalisieren von Teilen mit großer Variation oder einer breiten Familie ähnlicher Objekte.
   • Parallele Multi-Instance-/Multi-Thread-Ausführung zur Laufzeit auf einer einzigen GPU — reduziert Hardware- und Wartungskosten.
   • Optimierte Zuweisung und Nutzung des Grafik-/CUDA-Speichers.

3. Variante Avocado:

1. • Zur Klassifikation von Objekten in einem Bild.
   • Parallele Multi-Instance-/Multi-Thread-Ausführung zur Laufzeit auf einer einzigen GPU — reduziert Hardware- und Wartungskosten.
   • Optimierte Zuweisung und Nutzung des Grafik-/CUDA-Speichers.

4. Variante Olive:

• • Olive ist ein OCR-Tool zum Lesen von Zeichen in stark gestörter Umgebung.

  „3HLE“ bietet vor allem schlüsselfertige Lösungen — einschließlich Hardware, Software-Integration und Automatisierungsprozessen — für Hochgeschwindigkeits-Qualitätskontrollen mittels industrieller Bildverarbeitung. Weitere Showcases finden Sie auf unseren Success-Stories-Seiten, und auf unseren Produktseiten erfahren Sie mehr über unsere Hardware– und Software-Lösungen. We are working to build up more and more contents in those sections, please subscribe to our „3HLE“ LinkedIn, FaceBook or Youtube chanels to get notified as soon as new contents will be available