為什麼選擇 AI 軟體？
傳統機器視覺工具
- 容易把水滴和表面損壞搞混
- 無法處理陰影和角度變化
- 容易漏掉微小的表面損壞
AI 分類算法
- 忽略水滴
- 能夠適應表面處理和角度變化
- 可以檢測各種缺陷
不需 AI 專業知識或編程
- 可以在不學習任何 AI 參數的情況下訓練模型
- 只需選擇三個調整深度選項（低、中、高），輕鬆獲得最佳化的 AI 模型
- 具有圖形化界面的快速機器視覺開發工具
- 如果數據質量好，只需不到 10 分鐘即可快速訓練 AI 模型
節省標註圖片和訓練的時間
- 持續學習讓分類模型可以在生產線上更新，而不需要重新訓練，這樣能節省大量更新模型的時間
- 自動標註（透過 SSOD 或預訓練模型）可以自動生成邊界框和標籤
- 支持導入現有的標註數據集（.txt、PASCAL VOC、MS COCO、KITTI）
- 提供不同形狀的分割標註工具（多邊形、矩形、圓形、環形工具）
- 使用事先訓練的 AI 模型可以減少訓練工作（所需的樣本更少）
主要特色
- 圖形用戶界面，讓機器視覺應用開發變得更快速簡單
- 自動調整訓練超參數，讓非 AI 專家也能輕鬆使用（也提供專家模式）
- 透過預訓練模型或半監督訓練自動生成標註
- 使用多種形狀的 ROI 標記來遮蔽不需要檢查的區域
- 超高速的推理引擎，無論是在 GPU 還是 CPU 上，都能達到最佳的運行速度
- 支持多 GPU 訓練，縮短訓練時間
- 分類任務中的持續學習（即終身學習），讓模型可以在運行時進一步學習
- 支持角度物體檢測（即旋轉邊界框）
- 透過拼接機制在高解析度圖像中精確定位小缺陷
- 與 Sapera Processing 和 Sherlock 視覺軟件輕鬆整合，實現運行時推理
- 透過視覺工具（如熱圖、損失函數曲線、混淆矩陣）評估 AI 模型
- 完整的圖像數據隱私—可以在本地 PC 上訓練和部署 AI 模型
與其他 Teledyne 產品結合
- 利用 Teledyne 的 Sherlock 或 Sapera Processing，將基於規則的算法與 AI 模型結合，提供完整的解決方案
- 支持從 Teledyne 及第三方相機獲取實時視頻
應用範例
Astrocyte 在回收行業的檢測應用
像飲料瓶這類塑料顆粒經過多步回收和檢測過程，才會被重新用於製作新的塑料產品。
Astrocyte 被用來高精度地定位和分類超過 30 種材料，確保回收的材料質量達標，污染物含量低於每百萬分之十
Astrocyte 提高醫療影像的質量與效率
X 光檢測器上的纖維細小且隨機，這使得傳統方法或人工檢測變得既困難又耗時，有了 Astrocyte，X 光解決方案團隊能夠快速識別所有缺陷，甚至超越了人工操作的效果
螺絲線檢測
對螺絲頭進行好壞分類。Astrocyte 能夠檢測到螺絲線上的微小缺陷，並將其分類為不良樣本。它可以在高解析度的反射表面圖像中檢測到這些小缺陷。只需要幾十個樣本就能訓練出一個準確度高的模型。當有好壞樣本時使用分類方法，而當只有好樣本時則使用異常檢測
木材節疤的定位 / 識別
對木板中各種類型的節疤進行定位和分類。Astrocyte 能夠穩定地在 2800 x 1024 的高解析度圖像中，通過拼接機制精確定位和分類寬度只有 10 像素的小節疤，並且保持原始解析度
金屬板表面檢測
檢測和分割拉絲金屬板上的各類缺陷（如刮痕和指紋）。Astrocyte 提供每個像素都被分配到一個類別的輸出形狀。使用 blob 工具對分割後的輸出進行形狀分析，可以對缺陷進行進一步的分析
深度學習架構
Astrocyte 支援以下深度學習架構
影像分類
一個通用的分類器，用來識別圖像的類別
典型應用
適用於需要識別多個類別的場合。例如，它可以用來識別工業檢測中的多種類型的缺陷。並且可以在現場通過持續學習進行訓練
異常檢測
這是一個二元分類器（好/壞），只在「好」圖像上進行訓練
典型應用
適用於缺陷檢測，只需要找出缺陷即可。當數據集不平衡，有很多“好”圖像和少量“壞”圖像時特別有用。這種方法不需要手動圖形標註
物件檢測
適用於需要關注物體位置和方向的場景。例如，它可以用來提供工業檢測中缺陷的位置和類別
典型應用
適用於需要關注物體位置和方向的場景。例如，它可以用來提供工業檢測中缺陷的位置和類別
影像分割
影像分割將每個像素與類別關聯，相同類別的像素形成可識別區域
典型應用
適用於需要關注物體大小和/或形狀的情況，能提供工業檢測中缺陷的位置、類別和形狀。
Astrocyte 圖形用戶界面
創建數據集
生成圖像樣本
- 連接相機（Teledyne 或第三方）或影像擷取卡來獲取實時視頻
- 在獲取實時視頻流的同時保存圖像（可以手動點擊保存或自動保存）
導入圖像樣本
- 根據資料夾結構、前綴/後綴和正則表達式來選擇文件
- 支持的圖像文件格式：PNG、JPG、BMP、GIF 和 TIFF
- 支持的圖像像素格式：單色 8-16 bits，RGB 24 bits 和 32 bits
- 將圖像自動（隨機）或手動分配到訓練和驗證數據集中
- 可調整圖像大小以優化記憶體使用
- 通過視覺編輯工具創建遮罩，標記不需要的圖像區域進行排除
導入 / 創建註釋
- 使用內建的視覺編輯工具手動創建註釋：矩形、圓形、多邊形、畫筆等
- 使用預訓練模型自動創建註釋
- 使用半監督物體檢測（SSOD）自動創建註釋，適用於部分標註的數據集
- 從用戶定義的文本文件導入註釋，並可自定義解析規則
- 從常見的數據庫格式導入註釋，如 Pascal VOC、MS COCO 和 KITTI
視覺化 / 編輯 / 處理數據集
- 圖像顯示和縮放
- 註釋顯示為圖像上的覆蓋圖形
- 選擇、刪除和編輯註釋
- 手動編輯單個樣本的註釋
- 合併兩個數據集
- 將數據集導出為文件
訓練模型
在系統 GPU 上訓練（最低要求如下）
- 選擇設備（當有多個設備時）
- 選擇深度學習模型，以達到最佳準確度
- 選擇預處理層級：原始、縮放或拼接
- 支持矩形輸入圖像（保持縱橫比）
- 可以訪問超參數，如學習率、訓練輪次（epoch）、批次大小等，便於自定義訓練執行
- 預設常用的超參數默認值
- 圖像增強可用，通過旋轉、變形、光照調整、縮放等變換人工增加訓練樣本數量
- 支持訓練會話取消和恢復
- 進度條顯示訓練時長預估
- 進度圖表顯示每次迭代（epoch）的準確度和訓練損失
- 自動或手動設置超參數
模型導入與導出
- 專有的模型格式，與 Sapera Processing 和 Sherlock† 兼容
- 模型包含執行推理所需的所有信息：模型架構、訓練權重、元數據（如圖像大小和格式）
- 支持多個模型管理，模型儲存在 Astrocyte 內部存儲中
- 模型可以通過 Sapera Processing 或 Sherlock† 導入到用戶的應用程序中
與 Sapera Processing 和 Sherlock 的整合
- 專有的模型格式，與 Sapera Processing 和 Sherlock† 兼容
- 模型包含執行推理所需的所有信息：模型架構、訓練權重、元數據（如圖像大小和格式）
- 支持多個模型管理，模型儲存在 Astrocyte 內部存儲中
- 模型可以通過 Sapera Processing 或 Sherlock† 導入到用戶的應用程序中
模組處理預估時間
| 模組 | 資料集 | 影像尺寸 | 輸入尺寸 | RTX 3070 | RTX 3090 | RTX 4090 | Intel CPU | AMD CPU |
| 異常檢測 | Metal | 2592 x 2048 x 1 | 1024 x 1024 x 1 | 21.0 | 13.0 | 9.0 | 275 | 645 |
| 影像分類 | Screw | 768 x 512 x 1 | 768 x 512 x 1 | 3.1 | 2.2 | 1.2 | 31.9 | 41.3 |
| 物件辨識 | Hardware | 1228 x 920 x 3 | 512 x 512 x 3 | 3.8 | 3.2 | 3.0 | 31.7 | 46.3 |
| 影像分割 | Scratches | 2048 x 2048 x 1 | 1024 x 1024 x 1 | 22.3 | 16.6 | 8.9 | 222 | 391 |
*Intel CPU : Intel Core-i9 12900K @ 3.2GHz
*AMD CPU : EPYC 7272 12-Core @ 2.9GHz
系統需求說明
- 操作系統：Windows 10 / 11 64bit
- CPU：Intel® 處理器 w/ EM64T technology 至少 16GB RAM ( 32 GB 最佳)
- GPU ：An NVIDIA GPU ( 至少 8GB 記憶體、至少算力 5.2（相當於 GTX 900 系列）、顯示卡驅動程式版本 516.31 或更新版本
- GPU 推薦：至少 – RTX 3070 / 4070 或任何其他具有 8GB 記憶體的顯示卡、最佳 – RTX 3090/4090 或任何其他具有 24GB 記憶體的顯示卡
規格
- 類型：AI 模型生成工具
- 圖像處理：訓練用於異常檢測、影像分類、物件檢測、影像分割的 AI 模型
- 處理器：Intel / AMD，GPU