COGNEX(코그넥스) In-Sight ViDi Read 사용을 위한 팁과 요령

내용

In-Sight ViDi Read는 딥러닝을 활요하여 다양한 응용 분야에서 변형, 왜곡 및 잘못 에칭 된 코드를

해독하는 광학 문자 인식(OCR) 도구입니다. In-Sight D900 카메라와 결합된 이 강력한 OCR 도구는

까다로운 조건에서도 개발 시간을 크게 줄이고, 애플리케이션 설정이 쉽습니다.

 

ViDi 읽기 도구에 대한 팁과 처리량을 늘리는 방법

1. 모델 확인

ViDi 읽기 도구를 사용할 때 가장 일반적인 두 가지 모델은 Node 모델과 RegEx 모델입니다. 이 두

가지는 항상 상호 교환 할수 있는 것은 아니며 응용 프로그램에 따라 서로 다르게 수행될 수 있습니다. 노드 모델은 새모델이 생성될 때 기본 옵션입니다. 곡선 경로 및 여러 줄의 텍스트와 같은 다양한

패턴을 처리할 수 있으므로 OCR에 대한 강력한 옵션이 될 수 있습니다. 그러나 견고성에는 처리 시간이 소요될 수

있습니다. 애플리케이션에 단일 행에 선형 텍스트가 있는 경우 RegEx 모델을 사용하면 동등한 노드 모델에 비해 70%의 속도 향상을 얻을 수 있습니다.

 

2. 샘플링 밀도 변경

Sampling Density는 결과를 반환하기 위해 In-Sight ViDi Read가 처리할 이미지 샘플 수를 결정하는 런타임 매개

변수입니다. 도구의 기본 샘플링 밀도는 4이지만 숫자를 변경하면 응용 프로그램의 정확도에 영향을 미치지 않을 수

있습니다. 샘플링 밀도를 1씩 낮추면 샘플링 밀도가 4인 동등한 RegEx 모델에 비해 80%의 속도 향상을 가져 오면서

점수에 3% 미만의 영향을 줄 수 있습니다.

 

3. 피처 크기 범위

In-Sight ViDi Read에서 "크기 범위"라는 용어는 캐릭터의 예상 크기를 설명하는 데 사용됩니다. 예상되는 모든 문자가

포함되도록 범위가 자동으로 설정됩니다. 이 기본 크기 범위를 유지하는 것은 글꼴 및 문자 크기에 차이가 있을 때

유용합니다. 하지만 캐릭터 크기가 균일한 경우 예상 임계 값과 더 비슷하게 크기 범위를 변경하면 35% 이상의 속도

향상을 얻을 수 있습니다.

 

4. 최적화의 혼합과 일치

이러한 팁과 요령을 함께 사용하면 기능 크기 범위와 샘플링 밀도가 감소한 RegEx 모델은 표준 노드 모델보다

거의 3배 더 빠를 수 있습니다. 그래도 애플리케이션에 적합한 최적화를 선택하는 것이 중요합니다.

 

COGNEX 제품 적용 솔루션 참조 : www.xvision.co.kr
머신비전 관련 문의처 ☞ (주)아이디맥스 02-838-1170

공장 자동화를 위한 인공지능 딥러닝 : www.newbrain.co.kr 기술영업문의 : sales@idmax.co.kr

자동인식전문기업 IDMAX : www.idmax.co.kr 기술영업문의 : sales@idmax.co.kr