为什么选择AI？
传统的机器视觉工具
✗ 混淆水滴和表面损伤
✗ 无法处理阴影和视角的变化
✗ 遗漏轻微的表面损伤
AI分类算法
✓ 忽略水滴的干扰
✓ 对表面光洁度和透视的变化具有很强的适应性
✓ 能检测出全方位的缺陷
无需AI专业知识或编码
- 无需了解任何AI参数即可训练模型
- 只需选择三种调节深度选项（低、中、高）之一，即可轻松获得优化的AI模型
- 图形用户界面，快速开发机器视觉应用
- 快速训练AI模型（在数据良好的情况下不到10分钟）
节省图像标注和训练时间
- 持续学习使得在工厂车间无需重新训练即可更新分类模型。节省了大量时间。
- 通过自动标注（通过SSOD或预训练模型）生成边界框和标签
- 导入现有的标签集（.txt、PASCAL VOC、MS COCO、KITTI等）
- 支持不同形状的分割注释（多边形、矩形、圆形、环形工具）
- 通过使用预训练AI模型减少训练工作量（所需样本更少）
关键特性
- 图形用户界面，快速开发机器视觉应用
- 自动调节训练超参数，极大简化了非AI专家的使用（同时也提供专家模式）。
- 通过预训练模型或半监督训练自动生成注释
- 通过多种形状的ROI标记，对区域进行遮罩，以排除不需要检查的部分。
- 优化的高效推理引擎，支持GPU或CPU，以实现出色的运行速度。
- 使用多个GPU进行训练，减少训练时间
- 分类中的持续学习（又称终身学习），以便在运行时进一步学习。
- 角度物体检测（即旋转边界框）
- 通过平铺机制定位高分辨率图像中的小缺陷
- 与Sapera Processing和Sherlock视觉软件的轻松集成，支持运行时推理。
- 通过热力图、损失函数曲线、混淆矩阵等视觉工具评估AI模型
- 完全的图像数据隐私—在本地PC上训练和部署AI模型
与其他Teledyne组件搭配使用
- 利用Teledyne的Sherlock或Sapera Processing平台，将基于规则的传统算法与AI模型结合，提供完整的解决方案。
- 支持Teledyne和第三方相机的实时图像采集
应用实例
Astrocyte在回收行业的应用
- 塑料颗粒（如饮料瓶的塑料）在被重新用于新塑料产品之前，需经过多个步骤的回收和检查过程。
- Astrocyte用于定位和分类超过30种材料类型，具有高精度，确保高质量材料中的污染物含量低于10ppm。
文章原刊于《视觉系统设计》：阅读原文
Astrocyte提升医学影像质量和效率
- X射线探测器上的纤维细小且分布随机，这使得传统方法或人工处理面临挑战且耗时。
- 通过使用Astrocyte，X射线解决方案团队能够迅速识别所有缺陷，甚至超过了操作员的表现。
文章原刊于Novus Light：阅读原文
Astrocyte提升食品检测中的缺陷检测能力
Teledyne DALSA的Sherlock AI视觉软件和Astrocyte AI训练工具，结合Teledyne DALSA的Genie Nano和Linea相机系统所拍摄的图像，共同提供高分辨率成像和实时分析，成功实现了面条检查中的精确缺陷检测。
文章原刊于Vision Spectra：阅读原文
螺纹检查
对好坏螺丝头的分类。在螺纹上发现微小缺陷，并将其分类为不良样本。Astrocyte可以在反射表面的高分辨率图像中检测到微小缺陷。只需要几十个样本即可训练出准确度较高的模型。分类用于有好坏样本可用的情况，而异常检测则用于只有好样本的情况。
木材结疤的定位与识别
定位和分类木板中各种类型的结疤。Astrocyte能够稳健地定位并分类高分辨率（2800×1024）图像中宽度为10像素的小结疤，并通过平铺机制保持原始分辨率。
金属板表面检查
检测并分割金属板表面上的各种缺陷（如划痕和指纹）。Astrocyte提供像素级别的输出结果。在分割输出中使用斑点工具可以对缺陷形状进行分析。
深度学习架构
Astrocyte支持以下深度学习架构：
分类
描述
集定位和分类于一身。物体检测能够在图像中找到物体的位置和方向，并进行分类。
典型应用
用于物体位置和方向至关重要的应用。例如，它可用于提供工业检测中缺陷的位置和类别。
异常检测
描述
二元分类（好/坏），仅基于“好”图像样本进行训练。
典型应用
用于缺陷检测，只需识别缺陷存在与否（无需对缺陷进行分类）。在大量“好”图像和少量“坏”图像可用的情况下，特别适用于不平衡的数据集。无需手动进行图形注释，非常适用于大规模数据集。
目标物检测
描述
集定位和分类于一身。物体检测能够在图像中找到物体的位置和方向，并进行分类。
典型应用
用于物体位置和方向至关重要的应用。例如，它可用于提供工业检测中缺陷的位置和类别。
分割
描述
像素级分类器。分割将每个图像的像素与一个类别进行关联。相同类别的关联像素在图像中创建可识别的区域。
典型应用
用于需要对象大小和/或形状的应用。例如，它可用于提供工业检测中缺陷的位置、类别和形状。
Astrocyte图形用户界面
创建数据集
生成图像样本
- 连接到相机（Teledyne或第三方）或图像采集卡以采集实时图像。
- 在获取实时图像时保存图像（手动单击或自动）
导入图像样本
- 基于文件夹布局、前缀/后缀和正则表达式选择文件。
- 图像文件格式：PNG、JPG、BMP、GIF和TIFF。
- 图像像素格式：单色8-16位，RGB 24和32位。
- 将图像自动（随机）或手动分配到训练和验证数据集中。
- 可调整图像大小，以便优化内存使用。
- 通过视觉编辑工具创建掩膜，标记要排除的图像部分。
导入/创建标注
- 使用内置的视觉编辑工具手动创建标注：矩形、圆形、多边形、画笔等。
- 使用预构建的模型自动创建标注。
- 使用半监督对象检测（SSOD）应用于部分标注数据集，自动创建标注。
- 从用户定义的文本文件导入标注，并支持可自定义的解析方案。
- 从常见的数据库格式（如Pascal VOC、MS COCO和KITTI）导入标注。
可视化/编辑/处理数据集
- 图像显示和缩放。
- 标注显示为图像上的叠加图形。
- 标注选择、删除和编辑。
- 手动编辑单个样本的标注。
- 合并两个数据集。
- 将数据集导出为文件。
训练模型
在系统GPU上训练（最低要求如下）
- GPU选择（当有多个GPU可用时）
- 选择深度学习模型以实现最佳准确性。
- 选择预处理级别：原生、缩放或平铺。
- 支持矩形输入图像（保持纵横比）。
- 访问超参数，例如学习率、迭代次数、批次大小等，实现训练执行定制化。
- 超参数预设为常用的默认值。
- 可使用图像增强通过旋转、翘曲、亮度、缩放等变换人为增加训练样本的数量。
- 训练进程取消和恢复。
- 带有训练时长估计的进度条。
- 显示进度图表，包括每次迭代（时期）的准确性和训练损失。
- 自动或手动设置超参数。
模型验证
- 模型训练统计。
- 模型性能指标：准确率、召回率、平均精度（mAP）、交并比（IoU）。
- 模型测试接口，用于在训练、验证、整个数据集或用户定义的数据集上执行模型验证，并可以重新调整样本。
- 显示混淆矩阵（显示预测和基准真相之间交集的图表）。交互选择单个图像。
- 显示热图，对分类中的热点区域实现可视化。
- 对 Astrocyte 内的样本图像进行推理以进行测试。
模型导出-导入
- 与Sapera Processing和Sherlock†兼容的专有模型格式。
- 模型包含执行推理所需的所有信息：模型架构、训练权重、元数据（如图像大小和格式）。
- 多模型管理。模型存储于Astrocyte的内部存储器。
- 模型可通过Sapera Processing或Sherlock†导入用户应用程序。
与Sapera Processing和Sherlock集成
- Sapera Processing和Sherlock都包含适用于每个受支持模型架构的推理工具。
- 模型文件被导入推理工具并准备在实时图像上执行。
- 推理工具可以与其他图像处理工具相结合，如斑点分析、模式匹配、条形码读取等。
- 与Sapera LT或Spinnaker配合使用，用于从Teledyne DALSA相机和图像采集卡获取图像。
- 可用示例与源代码。
基准
|
示例 |
推理时间（ms） |
|||||||
|
AI模块 |
数据类型 |
图像大小 |
输入大小 |
RTX 3070 |
RTX 3090 |
RTX 4090 |
Intel CPU |
AMD CPU |
|
异常检测 |
金属 |
2592 x 2048 x 1 |
1024 x 1024 x 1 |
21.0 |
13.0 |
9.0 |
275 |
645 |
|
分类 |
螺丝 |
768 x 512 x 1 |
768 x 512 x 1 |
3.1 |
2.2 |
1.2 |
31.9 |
41.3 |
|
对象检测 |
硬件 |
1228 x 920 x 3 |
512 x 512 x 3 |
3.8 |
3.2 |
3.0 |
31.7 |
46.3 |
|
分割 |
划痕 |
2048 x 2048 x 1 |
1024 x 1024 x 1 |
22.3 |
16.6 |
8.9 |
222 |
391 |
|
模块：AI模型类型 数据集：训练模型使用的图像系列 图像大小：原始图像大小 输入大小：调整大小后的图像大小（输入神经网络） 推理时间：包括调整大小和推理的总执行时间（单位：毫秒） |
Intel CPU: Intel Core-i9 12900K @ 3.2GHz |
系统要求
Sapera Processing（推理）
操作系统：
- Windows 10或11（64位）
CPU：
- Intel®处理器，支持EM64T技术
GPU：
- 最小6GB RAM（推荐）
- 最小计算能力2（等效于GTX 900系列）
- 图形驱动版本31或更高
- NVIDIA GPU（可选，用于更高速度）
GPU推荐：
- RTX 3000和4000系列
Astrocyte（训练）
操作系统：
- Windows 10或11（64位）
CPU：
- Intel®处理器，支持EM64T技术，最小16GB RAM（理想为32GB）
GPU：
NVIDIA GPU
- 最小8GB RAM
- 最小计算能力2（等效于GTX 900系列）
- 图形驱动版本31或更高
GPU推荐：
良好：
- RTX 3070/4070或任何其他具有8GB RAM的显卡
优秀：
- RTX 3080/4080或任何其他具有12GB RAM的显卡
高性能配置：
- RTX 3090/4090或任何其他具有24GB RAM的显卡
Specifications
- 类型
- AI Model Generating Tool
- 支持的语言
- N/A
- 图像处理
- Generating AI Models for Anomaly Detection, Classification, Object Detection, Segmentation
- Compilers Supported
- N/A
- Camera/Frame Grabber Interface Supported
- N/A
- 处理器
- Intel/AMD, GPU
Media gallery
Resources & Support
You must be logged in to download software or firmware. Please sign in or create an account here.
Astrocyte Trainer
