GSA 객체 카운터는 2차원 객체의 자동 인식 및 분류를 위해 개발된 소프트웨어입니다. 이 제품은 서로 독립적인 두 가지 물체 인식 분석 방법으로 구성되어 있습니다.
첫 번째 방법은 신경망을 사용합니다. 인공 지능(AI)을 사용하여 훈련된 객체 그룹에 새로운 객체를 할당합니다. 이 절차는 다양한 객체(물체, 숫자)로 실제 접근 방식을 테스트한 결과 매우 좋은 결과를 얻었습니다.
두 번째 객체 인식 방법은 색상 기반 분석 방법입니다. 이 방법도 실제로 입증되었습니다(다양한 페트병 감지). 신경망을 사용하는 이 방법은 물체 모양이 서로 다른 물체에 적합합니다. 색상 분석 방법은 물체의 모양은 같지만 색상이 다른 경우 선호됩니다.
첫 번째 방법은 신경망을 사용합니다. 인공 지능(AI)을 사용하여 훈련된 객체 그룹에 새로운 객체를 할당합니다. 이 절차는 다양한 객체(물체, 숫자)로 실제 접근 방식을 테스트한 결과 매우 좋은 결과를 얻었습니다.
두 번째 객체 인식 방법은 색상 기반 분석 방법입니다. 이 방법도 실제로 입증되었습니다(다양한 페트병 감지). 신경망을 사용하는 이 방법은 물체 모양이 서로 다른 물체에 적합합니다. 색상 분석 방법은 물체의 모양은 같지만 색상이 다른 경우 선호됩니다.
색상 분석
색상 분석 방법에 대한 설정입니다. 여기에서 색상 그룹을 만들기 위한 기준을 구성합니다. 이러한 색상 그룹은 나중에 색상 분석 프로세스에서 객체 인식에 사용됩니다.
신경망
신경망의 구성 창입니다. 네트워크의 크기와 내결함성을 여기에서 구성할 수 있습니다. 객체 인식을 지원하는 이미지 필터도 정의할 수 있습니다.
일반 설정
개체 크기를 통한 개체 제한. 개체당 최소 및 최대 픽셀 수를 제한하면 개체와 주변 환경을 구분하는 데 도움이 됩니다.
기본 설정 및 환경
분석 방법 및 이미지 공개 기준 설정하기. 여기에서 사용 가능한 두 가지 분석 방법 중에서 선택할 수 있습니다. 이미지 획득을 트리거하기 위한 허용 오차를 여기에서 구성할 수 있습니다.
타이머 기반 이미지 모니터링
타이머를 사용하여 모니터링의 시작과 끝을 설정할 수 있습니다. 자동 처리를 시작하거나 중지할 시기를 정의할 수 있습니다.
정의된 이미지 영역 모니터링
모니터링되는 이미지 영역을 제한할 수 있습니다. 이렇게 하면 물체 인식 오류를 방지할 수 있습니다.
작동 중인 AI
분석이 완료되었습니다. 모든 이미지가 올바른 개체 클래스로 정렬되었습니다. 각 객체 그룹과의 대응이 백분율로 출력됩니다.
교육 그룹 설정
객체 그룹의 모든 훈련 이미지는 제어 목적으로 표시됩니다. 그룹에서 이미지를 제거할 수 있습니다.
구성 가능한 결과 출력
결과 출력의 형식과 범위는 완전히 조정할 수 있습니다. 이러한 방식으로 분석 결과를 추가 처리 단계에 맞게 구성할 수 있습니다. 따라서 다른 프로그램과의 통합이 가능합니다.
교육실
색상 분석 프로세스를 위해 해당 객체 그룹에 학습 이미지를 할당합니다. 이 수동 할당은 한 번만 필요합니다. 학습이 끝나면 물체가 자동으로 인식됩니다.
