Es gibt zahlreiche Varianten von Aluminium-, Stahl-, Kunststoff- und Gummiprofilen auf dem Markt, die sich lediglich in geringem Masse in ihrer geometrischen Form und Grösse unterscheiden können. Die Applikation deepProfile basiert sich auf
Machine-Learning-Algorithmen und ermöglicht es, unterschiedliche Arten von Profilen zu erfassen und sofort in einem Server eindeutig zu katalogisieren und damit zu identifizieren.
In nur 3 Schritten!
Die Identifikation der Profile in Ihrem Lager oder in der Produktion können Sie nun einfach per Kamera an Ihrem Smartphone erfassen. Sie können auch bereits aufgenommene Bilder aus der Galerie auswählen und entsprechend durch die App identifizieren.
Die Analyse der Profile erfolgt Cloud basiert mittels neuralem Netzwerk. Die Skel Net und Deep Hash Technologie führen zu einer aussergewöhnlichen Trefferquote.
Die Ergebnisse der Analyse werden direkt mit der entsprechenden Trefferquote aufgezeigt. Es können wahlweise auch mehrere Treffer mit der jeweiligen Übereinstimmungsquote visualisiert werden.
Möchten Sie deepProfile bei der Arbeit sehen?
Deep Hash wird in der Bildverarbeitung und Mustererkennung eingesetzt. Sie ist in der Lage, hochdimensionale Daten auf eine kompakte Form zu reduzieren, die leicht verglichen werden kann.
Diese Technologie generiert eine Darstellung von Bildern, die es ermöglicht, ähnliche Bilder schnell zu identifizieren. Dazu wird ein CNN (Convolutional Neural Network) verwendet, das erlaubt, eine abstrakte Repräsentation des Bildes zu erstellen. Diese Repräsentation wird dann in eine Bitfolge umgewandelt, die als Hash bezeichnet wird.
Im Gegensatz zu anderen Verfahren zur Bildverarbeitung, zielt Deep Hash darauf ab, ähnliche Bilder in einen ähnlichen Hash umzuwandeln. Dadurch können ähnliche Bilder schnell identifiziert werden, indem man einfach nach ähnlichen Hashes sucht. Beim Hashing-Ansatz wird jedes Bild als ein Vektor aus Features dargestellt und anschliessend ein binärer Code daraus generiert. Der grosse Vorteil des Hashing besteht darin, die Klassen in der Datenbank sehr effizient abzuspeichern, abzurufen und zu vergleichen.
Skel Net wurde speziell für die Analyse von 2D- und 3D-Formen entwickelt. Es ist in der Lage, komplexe Formen und Muster zu erkennen und zu klassifizieren.
Diese Technologie verwendet eine Methode namens "Skeletonization" oder "Topologie-Extraktion", um ein Bild in ein vereinfachtes Modell umzuwandeln, das die grundlegenden Formen des Objekts darstellt. Diese Methode ermöglicht es, komplexe Formen und Muster zu erkennen und zu klassifizieren.
Das neuronale Netzwerk wird durch eine grosse Anzahl von Daten trainiert, um Muster und Eigenschaften in den Formen zu identifizieren. Sobald das Netzwerk trainiert ist, kann es verwendet werden, um neue Bilder zu analysieren und die Formen und Muster in diesen Bildern zu erkennen. Deep Learning mit dem Skeleton Prinzip ist weit etabliert zur Detektion und Darstellung von Objekten. Mittels der Dicke des Skeletons lässt sich ausserdem die Information über die Kontur effizient abspeichern.
"Wir
sind stolz darauf, diese neue Technologie auf den Markt zu bringen", sagt
ein Sprecher von e. Luterbach AG. "Sie wird dazu beitragen, die
Arbeitsprozesse in verschiedenen Branchen zu vereinfachen und zu optimieren.
Wir sind überzeugt, dass deepProfile einen grossen Mehrwert für unsere Kunden bieten wird."