Führen Sie mit ONNX KI-Modelle direkt auf der wenglor-Hardware aus!
ONNX (Open Neural Network Exchange) ist ein offener Standard, der es ermöglicht, KI-Modelle plattformübergreifend in verschiedenste Anwendungen zu integrieren. Mit ONNX werden KI-Modelle, die in unterschiedlichen Entwicklungsumgebungen wie PyTorch oder TensorFlow erstellt wurden, in ein universelles Format überführt. Dadurch sind die Modelle für andere Plattformen einsatzbereit.
Benutzerfreundlichkeit und Effizienz
Sparen Sie Entwicklungszeit und Ressourcen!
Das „Modul Bild ONNX“ reduziert den Aufwand für die Datenvorbereitung, da KI-Modelle einfach importiert und in uniVision 3 ausgeführt werden können.
Flexibilität in der Anwendung
Kombinieren Sie KI und regelbasierte Bildverarbeitung!
Das „Modul Bild ONNX“ kann in den Workflow von uniVision 3 integriert und beliebig mit Modulen zur regelbasierten Bildverarbeitung kombiniert werden.
Skalierbarkeit und Plattformunabhängigkeit
Nutzen Sie KI-Modelle auf verschiedener Hardware!
ONNX-Modelle können sowohl auf den Smart Cameras der B60-Serie als auch auf den Machine Vision Controllern eingesetzt werden.
Einfache Integration
Profitieren Sie von vorhandenen Industrieschnittstellen!
Ergebnisse können direkt über die bestehende Kommunikationsinfrastruktur von uniVision 3 im Produktionsprozess weiterverarbeitet werden.
KI-Modelle mit ONNX in uniVision 3 nutzen
Das Modul „Bild ONNX“ bietet KI-Funktionen für die Bildklassifikation. Bestehende ONNX-Modelle werden nahtlos in den Workflow integriert und können direkt für die industrielle Bildverarbeitung genutzt werden. Mit der Heatmap-Visualisierung können Modelle hinsichtlich ihrer Funktion überprüft werden.
Überragende Performance bei hoher Hardwarekompatibilität
wenglor Machine Vision Hardware bietet mit der Software uniVision 3 optimale Voraussetzung für die effiziente Ausführung von ONNX-Modellen.
Die Smart Cameras der B60-Serie sind mit einer integrierten Neural Processing Unit (NPU) ausgestattet, die speziell für die Beschleunigung von KI-Berechnungen optimiert ist. Dadurch werden anspruchsvolle Aufgaben wie Bildklassifikationen schnell und zuverlässig ausgeführt.Die Machine Vision Controller der MVC-Serie sind mit einer leistungsstarken CPU ausgestattet, um optimale Prozesszeiten zu gewährleisten.
Nahtlose Integration, maximale Produktivität: Der Workflow mit ONNX und uniVision 3
Erstellung des KI-Modells im ONNX-Format
Konvertierung (GitHub)
Integration in uniVision 3
Was versteht man unter KI-Klassifizierung in der Bildverarbeitung?
Die KI-Klassifizierung in der Bildverarbeitung nutzt Convolutional Neural Networks (CNNs). Diese neuronalen Netzwerke analysieren Bilder und ordnen sie anhand bestimmter Merkmale einer vordefinierten Klasse zu. Dabei lernt das System, typische Eigenschaften der jeweiligen Klassen zu unterscheiden.
Wird ein neues Bild aufgenommen, erhält es von dem KI-Modell eine Wahrscheinlichkeitsverteilung (Score) über alle möglichen Klassen. Die Klasse mit der höchsten Wahrscheinlichkeit gilt als Vorhersage des Modells. Dies ermöglicht beispielsweise die automatische Unterscheidung von fehlerfreien (OK) und fehlerhaften (NOK) Bauteilen. Neben einer binären Klassifizierung (OK/NOK) kann das Modell auch mehrere Fehlerklassen unterscheiden.
Um die Entscheidungslogik der KI transparenter zu machen, wird zudem eine Heatmap erzeugt, welche die Bildbereiche visualisiert, die das Modell bei der Klassifizierung am stärksten beeinflusst haben. Dadurch können Anwendende besser nachvollziehen, welche Merkmale zur Entscheidung des Modells geführt haben.
Ein Beispiel ist die Qualitätskontrolle in der Spritzgussproduktion. Hier können verschiedene Fehlerarten auftreten, die das KI-Modell präzise erkennt und klassifiziert. Da diese Fehler oft variabel in Form und Ausprägung auftreten, bietet die KI-Klassifizierung eine höhere Flexibilität und Genauigkeit als regelbasierte Verfahren. Besonders leistungsfähig wird das System durch eine Kombination aus KI und klassischer Bildverarbeitung, wodurch eine robuste und zuverlässige Qualitätskontrolle möglich wird.
Wird ein neues Bild aufgenommen, erhält es von dem KI-Modell eine Wahrscheinlichkeitsverteilung (Score) über alle möglichen Klassen. Die Klasse mit der höchsten Wahrscheinlichkeit gilt als Vorhersage des Modells. Dies ermöglicht beispielsweise die automatische Unterscheidung von fehlerfreien (OK) und fehlerhaften (NOK) Bauteilen. Neben einer binären Klassifizierung (OK/NOK) kann das Modell auch mehrere Fehlerklassen unterscheiden.
Um die Entscheidungslogik der KI transparenter zu machen, wird zudem eine Heatmap erzeugt, welche die Bildbereiche visualisiert, die das Modell bei der Klassifizierung am stärksten beeinflusst haben. Dadurch können Anwendende besser nachvollziehen, welche Merkmale zur Entscheidung des Modells geführt haben.
Ein Beispiel ist die Qualitätskontrolle in der Spritzgussproduktion. Hier können verschiedene Fehlerarten auftreten, die das KI-Modell präzise erkennt und klassifiziert. Da diese Fehler oft variabel in Form und Ausprägung auftreten, bietet die KI-Klassifizierung eine höhere Flexibilität und Genauigkeit als regelbasierte Verfahren. Besonders leistungsfähig wird das System durch eine Kombination aus KI und klassischer Bildverarbeitung, wodurch eine robuste und zuverlässige Qualitätskontrolle möglich wird.
Beispiel fehlerfreies Bauteil (OK)
Beispiel fehlerhaftes Bauteil (NOK)
Beispiel fehlerhaftes Bauteil (NOK)
Beispiel fehlerhaftes Bauteil (NOK)
Lizenzierung
Das Modul „Bild ONNX“ ist Teil des Lizenzpakets „uniVision AI“ und ist für sämtliche Produkte mit der Software wenglor uniVision 3 erhältlich.
Es gelten die folgenden Lizenzregeln:
Es gelten die folgenden Lizenzregeln:
- B60-Serie: DNNL031 - Lizenz B60 uniVision AI
- MVC-Serie: DNNL032 - Lizenz MVC uniVision AI
- uniVision Offline Simulator: Das Modul ist ohne zusätzliche Lizenz nutzbar
