Wenn aus dem Prototyp produktiver Code wird
Insbesondere OEMs und erfahrene Softwareentwickler benötigen häufig maximale Kontrolle über Architektur, Code und Integration. Hier kommt die Aurora Vision Library ins Spiel. Sie stellt die umfangreiche Funktionalität von Aurora Vision Studio für die Entwicklung von Vision-Projekten mit C++, .Net und Python in programmierbarer Form bereit. Entwickler können damit individuelle Anwendungen und Benutzeroberflächen erstellen und die Bildverarbeitung tief in bestehende Software-Umgebungen integrieren. Besonders interessant ist dabei die Kombination mit Aurora Vision Studio. Ein Vision-Projekt kann zunächst grafisch als Prototyp aufgebaut und getestet werden. Anschließend lässt sich der Ansatz über den integrierten C++-Code-Generator in eine individuelle Software-Lösung überführen. Auch .Net-Schnittstellen können automatisiert erzeugt werden. So wird ein Workflow bestehend aus Ausprobieren, Validieren und Programmieren möglich, der dabei hilft, Entwicklungszeiten deutlich zu reduzieren. Für OEMs eröffnet das zusätzliche Möglichkeiten. Bewährte Software-Architekturen und -Komponenten lassen sich wiederverwenden, während individuelle Anforderungen weiterhin flexibel umgesetzt werden können. „Gerade bei OEM-Projekten ist die Wiederverwendbarkeit ein wichtiger Faktor“, erläutert Miller. „Wenn sich bewährte Strukturen aus bestehenden Projekten übernehmen lassen, muss nicht jedes Vision-System von Grund auf neu entwickelt werden.“
Wenn Regeln nicht mehr ausreichen
Es gibt Bildverarbeitungsaufgaben, bei denen sich Fehler nicht zuverlässig mit festen Regeln beschreiben lassen. Hier erweitert Aurora Deep Learning die klassischen Bildverarbeitungsmethoden um KI-basierte Verfahren. Diese Deep-Learning-Funktionalitäten lassen sich sowohl mit Aurora Vision Studio als auch mit der Aurora Vision Library nutzen. Sie eignen sich u.a. für die Anomalie- und Merkmalserkennung, OCR und weitere Aufgaben, bei denen klassische Algorithmen an ihre Grenzen stoßen können. Je nach Aufgabenstellung sind dann bereits vergleichsweise wenige Bildbeispiele ausreichend, um geeignete Deep-Learning-Modelle für die vorliegende Anwendung zu erstellen. Gerade bei Anwendungen mit variierenden Fehlerbildern eröffnet dies zusätzliche Möglichkeiten für die Automatisierung von Prüfprozessen. OptoMedias ultrakompaktes Mini SFF bringt zuverlässige, schnelle Glasfaserverbindungen in Industriekameras der nächsten Generation. ‣ weiterlesen
Fiber Mini SFF für GigE Vision
Fazit
Was Aurora Vision für die industrielle Bildverarbeitung interessant macht, ist letztlich weniger eine einzelne Funktion als das Zusammenspiel der verschiedenen Komponenten. Ein Anwender kann eine Anwendung grafisch entwickeln, ein erfahrener Programmierer kann denselben Funktionsumfang über C++, .Net und Python in eine individuelle Software-Architektur integrieren, und bei schwierigen Prüfaufgaben lassen sich Deep-Learning-Verfahren ergänzen. Damit bietet die Suite einen Ansatz für unterschiedliche Entwicklungsphasen und Anwendergruppen – vom schnellen Proof-of-Concept bis zur individuell programmierten OEM-Lösung.
