Zebra Technologies heeft vandaag een reeks AI-functies aangekondigd voor haar Aurora machine vision-software. Deze functies bieden gebruikers deep learning-mogelijkheden voor complexe visuele-inspectie-gebruikssituaties.
Volgens Zebra's 2024 Manufacturing Vision Study verwacht 61 procent van de wereldwijde leiders in de maakindustrie over de hele wereld dat AI hun bedrijf tegen 2029 zal helpen groeien. Uit een ander rapport van Zebra over AI in de auto-industrie blijkt dat AI, zoals deep learning, wordt gebruikt in de toeleveringsketen van de auto-industrie, maar dat gebruikers willen dat hun AI meer doet. Deze nieuwe functies spelen in op de behoeften van de industrie.
Zebra's Aurora-software suite met deep learning-tools biedt krachtige visuele inspectieoplossingen voor technische professionals in de automotive-, elektronica-, voedingsmiddelen-, dranken- en verpakkingsindustrie. De suite beschikt over no-code deep learning optical character recognition (OCR), drag-and-drop omgevingen en uitgebreide bibliotheken die gebruikers in staat stellen om oplossingen te bedenken voor complexe gebruikssituaties die traditionele, op regels gebaseerde systemen niet aankunnen.
“Fabrikanten in veel sectoren hebben te maken met al lang bestaande kwaliteitsproblemen en nieuwe uitdagingen door de vooruitgang in materialen en sectoren zoals de auto-industrie en elektronica,” zegt Donato Montanari, Vice President and General Manager, Machine Vision, Zebra Technologies. “Ze zijn op zoek naar nieuwe oplossingen die hun huidige toolbox aanvullen en uitbreiden met AI-mogelijkheden die nodig zijn voor effectievere visuele inspectie, met name in complexe gebruikssituaties.”
Aurora Design Assistant
Met Zebra's Aurora Design Assistant geïntegreerde ontwikkelomgeving kunnen gebruikers toepassingen maken door stroomdiagrammen te construeren en te configureren, waardoor het traditionele schrijven van code overbodig wordt. Daarnaast stelt de software gebruikers in staat om webgebaseerde mens-machine interfaces (HMI's) te ontwerpen voor hun toepassingen.
De nieuwste versie van de software bevat nu deep learning-objectdetectie en de begeleidende Aurora Imaging Copilot , met speciale werkruimte voor het trainen van een deep learning-model voor objectdetectie. Extra add-ons zijn beschikbaar voor het trainen van een deep learning-model met een NVIDIA GPU-kaart en met een deep learning-modelinferentie uit te voeren of voorspellingen te doen op respectievelijk een NVIDIA-GPU en Intel-geïntegreerde GPU.
Aurora Vision Studio
Machine- en computer vision-technici die Aurora Vision Studio gebruiken kunnen snel krachtige machine vision-toepassingen maken, integreren en monitoren. De geavanceerde, hardware-agnostische software biedt een intuïtieve grafische omgeving voor het maken van geavanceerde vision-toepassingen zonder ook maar één regel code te hoeven schrijven. De software heeft een uitgebreide verzameling van meer dan 3000 beproefde en kant-en-klare filters, waarmee machine- en computer vision-technici op maat gemaakte oplossingen kunnen ontwikkelen via een eenvoudige driestapsworkflow: ontwerp het algoritme, maak een aangepaste, lokale HMI of online Web-HMI en implementeer deze op een industriële computer op pc-basis.
De toolchain voor deep learning is overgeschakeld naar een nieuwe trainingsengine met mechanismen voor het balanceren van trainingsdata. Dit heeft geleid tot verbeterde trainingsresultaten op datasets van lage kwaliteit. Het trainingsproces is nu sneller en meer consistent en de deep learning add-on is compatibel met Linux-systemen, alleen voor inferentie.
Aurora Imaging Library
Zebra's Aurora Imaging Library software developmentkit is ontworpen voor ervaren programmeurs die vision-toepassingen coderen in C++, C# en Python. Het bevat een uitgebreide set tools voor het verwerken en analyseren van 2D-beelden en 3D-gegevens, waarbij zowel traditionele, op regels gebaseerde methoden als methoden gebaseerd op deep learning worden gebruikt.
De nieuwste toevoegingen breiden de mogelijkheden uit met de introductie van tools voor anomalie-detectie, die deep learning gebruiken voor defect-detectie en assemblageverificatietaken, gericht op het identificeren van afwijkingen. In tegenstelling tot andere beschikbare deep learning-tools is deze training ongecontroleerd en zijn er alleen normale referenties nodig.
De OCR-tool op basis van deep learning maakt gebruik van een voorgetraind deep neural network-model om tekens, cijfers, leestekens en bepaalde symbolen te lezen zonder dat het nodig is om specifieke lettertypen op te geven of aan te leren. De op deep learning gebaseerde OCR-tool bevat string-modellen en beperkingen om een robuustere en relevantere uitlezing mogelijk te maken.