총 42 건
1. 프로그램 UI 레이아웃 UI 레이 아웃 탭 오픈소스 : 연결한 카메라의 목록이 표시 카메라 뷰 : 카메라의 영상이 표시 파라미터 및 기능 설정 : 카메라 설정을 할 수 있는 파라미터 및 기능 표시 기능 메뉴 : 카메라 영상, 레코더, 파라미터 등 메뉴 표시 2. 카메라 연결 방법 연결 방법 eGrabber Studio를 실행 합니다. Sources 목록에 연결한 카메라의 interface를 선택합니다. (해당 메뉴얼에서는 Coaxlink 선택) eGrabbers 목록에 연결 된 카메라의 Stream0를 클릭한 후 "Open"을 클릭합니다. ※ Gigelink 및 Recorder containers를 사용하려면 각각의 라이센스가 필요합니다. 3. Buffer Queue 설정 방법 Buffer Queue 설정 기본값은 Continuous모드이므로 Conticuous영상이 필요한 경우 설정하지 않습니다. 설정한 수 만큼 이미지를 보려면 Replay Count를 Buffer Count와 동일한 값으로 설정합니다. Continuous모드 처럼 지속적인 이미지를 보려면 Replay Count를 Buffer Count 보다 작은 값으로 설정합니다. 설정 후에는 반드시 "Apply"를 클릭해야 적용됩니다. Buffer Count : eGrabber Studio 필드 전용 메모리 공간에 할당할 버퍼 수 Replay Count : 필드에 저장된 이미지를 표시하기 위해 대기열에 예약될 버퍼 수 ※ Browse buffer queue 스크롤을 이동하면 취득한 이미지를 볼 수 있습니다. 4. Continuous 영상 취득 방법 5. 이미지 저장 하기 저장 방법 이미지를 저장할 경로를 을 클릭하여 지정합니다. 저장할 이미지의 확장자를 선택 후 을 클릭하여 저장합니다. 6. 레코더 저장 및 확인 방법 레코더 저장 및 확인 레코더를 저장할 경로를 을 클릭하여 지정합니다. 저장할 레코더 파일의 크기를 지정합니다. (무분별한 PC 저장공간 사용 방지) 을 클릭하여 레코더를 생성합니다. 을 클릭하여 녹화를 시작 후 이미지를 취득하면 생성한 레코더 파일에 버퍼가 저장됩니다. 녹화를 완료 하면을 클릭하여 레코더를 닫습니다. ※ 레코더 기능을 사용하려면 레코더 라이센스가 필요합니다. 탭 오픈소스 영역에서 "+" 을 클릭합니다. Sources 목록에서 Recorder Containers를 클릭합니다. Recent 목록에서 앞서 생성한 레코더를 선택 후 "open"을 클릭합니다. Record 스크롤로 저장된 버퍼를 확인할 수 있으며, Range를 설정하여 원하는 버퍼를 .tiff 이미지 및 .mkv 동영상으로 저장이 가능합니다. 저장방법은 File type, Format, Range 를 설정 후 Name을 지정하고 "Export"를 클릭합니다. 7. JS 파일 적용 방법 을 클릭하여 PC에 저장되어있는 JS파일을 Load합니다. "Run"을 클릭하여 JS파일을 적용합니다. 정상적으로 적용이 될 경우 우측 아래 이미지(정상적용)와 같이 표시됩니다. 어떠한 에러로 인하여 적용이 되지 않을 경우 우측 아래 이미지(에러)와 같이 표시됩니다. ※ 에러가 발생한 경우 JS파일을 올바르게 수정 후 다시 적용하여 사용합니다.
2022.10.261. 기초 용어 설명 기초 용어 ROI(Region Of Interest) 이미지에서 학습할 영역을 표시하는 기능입니다. ROI로 지정하여 학습할 경우, 검사 이미지도 ROI 크기와 동일해야 합니다. Mask 이미지에서 학습에 사용하지 않는 영역을 표시하는 기능입니다. Labeling 이미지에서 검출하고 싶은 부분을 표시하는 기능입니다. 데이터 세트(Dataset) Train: 학습에 사용되는 훈련용 이미지 Validation: 학습 중 모델의 검증에 사용되는 이미지(과적합 방지) Test: 학습 후 모델의 성능을 평가하기 위해서만 사용되는 이미지 데이터 증강(Data augmentation) 원래 데이터 집합의 이미지에 랜덤 변환을 생성하여, 훈련 데이터 세트에 없는 기하학적, 밝기, 노이즈 차이에 대해 강인(robust)하게 만듭니다. 과적합 모델이 학습 데이터를 과하게 학습하여, 학습 데이터 내에서는 분류를 잘 하지만 새로운 데이터 내에서는 성능이 떨어지는 상황을 의미 합니다. 학습 이미지 수가 부족하여 iteration을 과하게 높일 경우 발생할 수 있습니다. 반복(iteration) Training dataset의 모든 이미지를 한 번 진행하는 것을 의미합니다. 기본 값은 50이며, 반복 횟수가 많을수록 더 좋은 결과를 얻을 수 있으나 과적합(overfitting)에 주의해야 합니다. Patch Size Neural network에서 처리하는 패치의 크기입니다. 학습하는 데이터의 양을 늘리기 위해 한 장의 이미지를 조각 내는데, 이 조각의 단위를 패치(patch)라고 합니다. Batch Size 학습에 사용되는 이미지의 묶음 단위를 의미합니다. 배치 크기가 크면 GPU에서 단일 반복 처리 속도가 증가하지만 더 많은 메모리가 필요합니다. 기본적으로 배치 크기는 사용 가능한 메모리에 대해 최적으로 결정됩니다. AUC-ROC Curve ROC(Receiver Operating Characteristic): 분류 모델의 성능을 보여주는 그래프 AUC(Area Under the Curve): ROC 곡선 아래의 영역을 의미하며, 이 값이 높다는 것은 클래스를 구별하는 모델의 성능이 훌륭하다는 것을 의미 TPR(True Positive Rate): 맞게 예측한 비율 FPR(False Positive Rate): 잘못 예측한 비율 AUC-ROC 해석 방법 ROC Curve가 좌상단에 가까워질수록 그룹을 더 잘 구별할 수 있는 모델이라고 해석할 수 있습니다. 2. UI 설명 UI 설명 - 프로젝트 선택 화면 Deep Learning Studio를 실행하면 프로젝트 파일을 불러오는 창이 표시됩니다. 기준 프로젝트 파일의 불러오려면 "Open" 버튼을 클릭합니다. 신규 프로젝트를 생성하려면 "New" 버튼을 클릭합니다. "Open" 버튼을 클릭하면 오른쪽 그림과 같이 프로젝트 파일 선택 화면이 표시됩니다. 불러올 프로젝트 파일을 선택합니다. "New" 버튼을 클릭하면 오른쪽 그림과 같이 프로젝트 생성 화면이 표시됩니다. 애플리케이션에 적합한 알고리즘을 선택하여 프로젝트를 생성합니다. UI 설명 - Dataset and annotations 라벨 및 라벨에 따른 이미지를 관리하는 탭입니다. 해당 탭에서 ROI, Masking , Segmentation, Object 설정을 수행합니다. UI 설명 - Dataset split 데이터 세트의 이미지를 비율에 따라 Training / Validation / Test로 나눕니다 다수의 Split을 생성하면 Tools 탭에서 특정 Split을 선택하여 학습할 수 있습니다. UI 설명 - Data augmentation 설정한 조건에 따라 데이터를 랜덤하게 증강합니다. "Add, Remove" 버튼을 클릭하여 다수의 augmentation 조건을 관리할 수 있습니다. 이 목록은 추 후 학습할 때 사용됩니다. 오른쪽 그롬과 같이 Lower / Upper/ Random 버튼을 클릭하여 조건이 적용될 때 예상 이미지를 미리 볼 수 있습니다. 이미지가 실제 발생 가능한 경우로만 설정하는 것이 좋습니다. UI 설명 - Tools 모델을 학습하기 위한 툴을 관리하는 메뉴입니다. "Add, Import, Export, Remove" 버튼을 클릭하여 생성, 제거, 불러오기, 내보내기가 가능합니다. Dataset split 항목에서 이전 단계에서 생성된 split 항목을 선택할 수 있습니다. Data augmentation 항목에서, 이전단계에서 생성한 augumentation 항목을 선택할 수 있습니다. "Train" 버튼을 클릭하여 학습을 진행합니다. 다수의 Toold을 추가하여 순차적 학습이 가능합니다. UI 설명 - Validation and results 학습된 모델을 평가하는 메뉴입니다. 알고리즘에 따라 표시되는 화면이 다릅니다. UI 설명 - Inference tests 학습된 모델을 선택하고 검사할 이미지를 불러와 테스트하는 메뉴 입니다. 알고리즘에 따라 표시되는 화면이 다릅니다. 3. NVIDIA GPU 환경 설정 지원되는 GPU 환경 Open eVision Deep Learing은 NVDIA GPU만 지원합니다. 지원되는 GPU geForce GTX 900 series, GTX 1000 series, Titan serires, RTX 2000 series Quadro M series, P series, RTX series Telsa K40, K80, M series, P series, V100, T4 NVIDIA CUDA 리소스를 다운로드 합니다. NVIDIA CUDA® Toolkit version v11.1 NVIDIA CUDA® Deep Neural Network library (cuDNN) v8.1 지원되는 GPU 환경 설정 절차 NVIDIA CUDA® Toolkit v11.1을 기본 경로로 설치합니다. 기본 경로: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1 다운로드한 NVIDIA CUDA® Deep Neural Network library (cuDNN) v8.1의 압축을 해제합니다. 압축 해제 후 각 폴더(bin, include, lib)의 파일을 아래 경로에 복사합니다. bin\cudnn64_11.dll > C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\bin include\cudnn.h > C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\include lib\x64\cudnn.lib > C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64 Deep Learning Studio 실행 후 프로그램 상단에 아래와 같이 GPU가 표시되는지 확인합니다. 4. EasyClassify EasyClassify "New" 버튼을 클릭하여 EasyClassify 프로젝트를 생성합니다. 프로젝트의 이름과 경로를 선택 한 후 "OK" 버튼을 클릭합니다. EasyClassify - Dataset and annotations "Add label" 버튼을 클릭하여 라벨을 추가합니다 "라벨 별로 가중치 (Weight)를 설정할 수 있으며, 특정 라벨의 가중치가 높을 경우 해당 라벨의 검출력을 높입니다. "Add Images" 버튼을 클릭하여 이미지를 추가하고, 이미지에 라벨을 지정할 수 있습니다. EasyClassify - Dataset Split "New" 버튼을 dataset split 항목을 생성합니다. 이름과 Training / Validation / Test 의 비율을 설정하고 "OK" 버튼을 클릭합니다. EasyClassify - Data augmentation "Add" 버튼을 클릭하여 Augmentation 항목을 추가 합니다. 예상 가능한 이미지 조건을 설정합니다. EasyClassify - Tools - Classifier properties1 "Add" 버튼을 클릭하여 Tools 항목을 추가합니다. Capacity: 학습할 수 있는 정보의 양을 의미합니다. Small: 메모리가 훨씬 작고 추론 속도가 빠릅니다. Large: 복잡한 데이터 세트를 처리할 수 있으며 노이즈가 많은 데이터 세트에도 적합합니다. Use pretrained model 사전 훈련된 모델을 사용하면 적은 데이터 세트로 정확도를 높일 수 있습니다. Compute the heatmap 예측에 가장 많이 기여한 이미지의 픽셀을 나타냅니다. 활성화 시 분류 시간이 약간 증가합니다. EasyClassify - Tools - Classifier properties2 Width, Height 속도를 위해 이미지에서 분류할 내용이 사라지지 않는 가장 작은 해상도를 사용하는 것이 좋습니다. 최소 해상도는 128x128이며, 분류기는 256x256 ~ 512x512 사이의 해상도에 최적화되어 있습니다. Image type 색상이 중요하지 않은 경우 흑백 이미지를 사용합니다. 흑백 이미지를 사용하면 훈련 및 분류에 약간 더 빠릅니다. Enable histogram equalization 모든 이미지의 히스토그램이 정규화됩니다. Enable automatic image reformat 이미지의 크기를 자동으로 조정하고, 위에서 정의한 분류 기준 해상도와 이미지 유형으로 변환합니다. EasyClassify - Tools - Dataset split 이전 단계에서 설정한 Dataset split 항목을 선택합니다. 또는 "New random Split" 버튼을 클릭하여 새로 생성합니다. EasyClassify - Tools - Training settings Number of iterations 기본 값은 50이며, 학습을 위해 필요 시 수치를 증가합니다. 단, 과적합에 주의합니다. Batch size 학습에 사용되는 이미지의 묶음 단위를 의미합니다. Optimize 사용을 권장합니다. Data augmentation 이전 단계에서 설정한 Data augmentation 항목을 선택합니다. Deterministic training 해당 옵션은 결정론적 알고리즘을 사용하기 때문에 학습이 느려질 수 있습니다. EasyClassify - Validation and results Tool 이전 단계에서 학습한 분류기를 선택합니다. Metrics 가중치 오류 및 정확도와 True labels에 표시된 이미지를 확인 할 수 있습니다. EasyClassify - Inference tests "Add Image , Add folder" 버튼을 클릭하여 이미지를 추가합니다. Tool 이전 단계에서 학습한 분류기를 선택합니다 버튼을 클릭하여 검사를 수행합니다. Results 탭에서 처리 시간과 예측 결과를 확인 할 수 있습니다. 5. EasySegment EasySegment "New" 버튼을 클릭하여 EasSegment Supervised 프로젝트를 생성합니다. 프로젝트의 이름과 경로를 설정한 후 "OK"버튼을 클릭합니다. EasySegment - Dataset and Annotations "Add label" 버튼을 클릭하여 라벨을 추가합니다. Background는 OK를 , Defect는 결함이 있는 라벨을 의미합니다. 라벨 별로 가중치 (Weight)를 설정할 수 있으며 , 특정 라벨의 가중치가 높을 경우 해당 라벨의 검출력을 높입니다. "Add Images" 버튼을 클릭하여 이미지를 추가하고 , 이미지에 라벨을 지정할 수 있습니다. EasySegment - Dataset and annotations - Labeling 라벨링이 필요한 이미지를 선택합니다 "Segmentation" 버튼을 클릭하면 툴 바가 표시됩니다 "Segmentation"을 체크하고 라벨을 선택한 다음, 도형을 선택하여 라벨을 지정합니다. EasySegment - Dataset Split "New" 버튼을 dataset split 항목을 생성합니다. 이름과 Training / Validation / Test의 비율을 설정하고 "OK" 버튼을 클릭합니다. EasySegment - Data augmentation "Add" 버튼을 클릭하여 Augmentation 항목을 추가합니다. 예상 가능한 이미지 조건을 설정합니다. EasySegment - Tools - Supervised segmenter properties1 "Add" 버튼을 클릭하여 Tools 항목을 추가합니다. Capacity : 학습할 수 있는 정보의 양을 의미합니다. Small : 메모리가 훨씬 작고 추론 속도가 빠릅니다. Large : 복잡한 데이터 세트를 처리할 수 있으며 노이즈가 많은 데이터 세트에도 적합합니다. Sampling density 패치 추출 간격을 의미합니다. 1은 겹치는 부분이 없는 것을 의미하고, 2는 절반이 겹치는 것을 의미합니다. 이미지 처리 시간은 sampling density의 제곱 만큼 느려집니다. EasySegment - Tools - Supervised segmenter properties2 Path size 기본적으로 패치 크기는 학습 데이터 세트의 이미지 크기에 따라 자동으로 결정됩니다. Scale Down-scaling 수치를 입력합니다. 1보다 작은 수치는 처리 속도가 빨라집니다. EasySegment - Tools - Dataset Split 이전 단계에서 설정한 Dataset split 항목을 선택합니다. 또는 "New random split" 버튼을 클릭하여 새로 생성합니다. EasySegment - Tools - Training settings Number of iterations 기본 값은 50이며, 학습을 위해 필요 시 수치를 증가합니다. 단, 과적합에 주의합니다. Batch size 학습에 사용되는 이미지의 묶음 단위를 의미합니다. Optimize 사용을 권장합니다. Data augmentation 이전 단계에서 설정한 Data augmentation 항목을 선택합니다. Deterministic training 해당 옵션은 결정론적 알고리즘을 사용하기 때문에 학습이 느려질 수 있습니다. EasySegment - Validation and results - Pixel based metrics1 Tool 이전 단계에서 학습한 분류기를 선택합니다. Weighted error 가중 오차는 각 라벨에 대한 오차의 가중 평균을 의미하며, 딥 러닝 네트워크를 최적화하는데 사용되는 지표입니다. Classification threshold 분류 임계값을 조정하여 이미지에서 감지된 결함 객체(defective blob)를 필터링할 수 있습니다. EasySegment - Validation and results - Pixel based metrics2 Weighted intersection over Union(IoU) 실제 불량 영역을 모델이 얼마나 정확하게 검출하고 있는지 확인하는데 사용되는 지표입니다. Weighted pixel accuracy 해당 라벨에 대해 올바르게 예측된 픽셀 수와 해당 라벨에 대한 정답 픽셀 수 간의 비율을 의미합니다. EasySegment - Validation and results - Blob metrics Recall 실제 값이 불량(positive)인 것들 중, 예측 값이 불량(positive)인 것들의 비율을 의미합니다. Precision 예측 값이 불량(positive)인 것들 중, 실제 값이 불량(positive)인 것들의 비율을 의미합니다. F1-Score Recall과 Precision의 조화 평균(harmonic mean)으로 계산되며 공식은 다음과 같습니다. EasySegment - Validation and results - Image metrics Image detection accuracy 이미지 검출의 정확도를 의미합니다. Foreground(결함 있는, Positive) image detection rate 결함이 있는 이미지에서 결함이 있는 이미지를 찾은 비율을 의미합니다. Background(결함 없는, Negative) image detection rate 결함이 없는 이미지에서 결함이 없는 이미지를 찾은 비율을 의미합니다. EasySegment - Inference test "Add Image , Add folder" 버튼을 클릭하여 이미지를 추가합니다. Tool 이전 단계에서 학습한 분류기를 선택합니다. 버튼을 클릭하여 검사를 수행합니다. Results 탭에서 처리 시간과 예측 결과를 확인할 수 있습니다. 6. EasyLocate EasyLocate "New" 버튼을 클릭하여 EasyLocate 프로젝트를 생성합니다. 프로젝트의 이름과 경로를 설정한 후 "OK" 버튼을 클릭합니다. EasyLocate - Dataset and annotations "Add label" 버튼을 클릭하여 라벨을 추가합니다. Object 별로 라벨을 생성합니다. 라벨 별로 가중치 (Weight)를 설정할 수 있으며 , 특정 라벨의 가중치가 높을 경우 해당 라벨의 검출력을 높입니다. "Add Image" 버튼을 클릭하여 이미지를 추가하고, 이미지에 라벨을 지정할 수 있습니다. EasyLocate - Dataset and annotations - Objects Object 지정이 필요한 이미지를 선택합니다. Objects 버튼을 클릭하면 툴바가 표시 됩니다. Object labeling을 체크하고 라벨을 선택한 다음, "Add Objects"를 클릭하여 Object를 지정합니다. EasyLocate - Dataset split "New" 버튼을 Dataset split 항목을 생성합니다. 이름과 Training / Validation / Test 비율을 설정하고 "OK" 버튼을 클릭합니다. EasyLocate - Dataset augmentation "Add" 버튼을 클릭하여 Augmentation 항목을 추가합니다. 예상 가능한 이미지 조건을 설정합니다. EasyLocate - Tools - EasyLocate properties "Add"버튼을 클릭하여 Tools 항목을 추가합니다. Capacity: 학습할 수 있는 정보의 양을 의미합니다. Small: 메모리가 훨씬 작고 추론 속도가 빠릅니다. Large: 복잡한 데이터 세트를 처리할 수 있으며 노이즈가 많은 데이터 세트에도 적합합니다. Width, Height 이미지는 500,000픽셀 미만(약 707x707 pixels)이어야 합니다. Width, Height는 적어도 128pixles이어야 합니다. 지정된 크기로 자동 조정되며, 크기가 작을수록 빨라집니다. EasyLocate - Tools - Advanced parameters Maximum number of object 이미지에서 찾을 객체의 최대 개수를 정의합니다. 개수가 적을수록 처리 속도가 약간 증가할 수 있습니다. Same label maximum overlap 동일한 라벨에서 최대 겹침 비율을 정의합니다. Absolute maximum overlap 라벨에 관계 없이 객체 간의 최대 겹침을 정의합니다. EasyLocate - Tools - Dataset split 이전 단계에서 설정한 Dataset split 항목을 선택합니다. 또는 "New random split" 버튼을 클릭하여 새로 생성합니다. EasyLocate - Tools - Training settings Number of iterations 기본값은 50이며 , 학습을 위해 필요 시 수치를 증가합니다. 단, 과적합에 주의합니다. Batch size 학습에 사용되는 이미지의 묶음 단위를 의미합니다. Optimize 사용을 권장합니다. Data augmentation 이전 단계에서 설정한 Data augmentation 항목을 선택합니다. Deterministic training 해당 옵션은 결정론적 알고리즘을 사용하기 때문에 학습이 느려질 수 도 있습니다. EasyLocate - Validation and results - Objects metrics Average precision(AP) Detection threshold를 변경하여 얻은 여러 Recall에 대한 Precision의 평균이며, 1에 가까울수록 좋습니다. Recall 실제 값이 불량(positive)인 것들 중, 예측 값이 불량(positive)인 것들의 비율을 의미합니다. Precision 예측 값이 불량(positive)인 것들 중, 실제 값이 불량(positive)인 것들의 비율을 의미합니다. F1-Score Recall과 Precision의 조화 평균(harmonic mean)으로 계산되며 공식은 다음과 같습니다. EasyLocate - Inference tests "Add Image, Add folder" 버튼을 클릭하여 이미지를 추가합니다. Tool 이전 단계에서 학습한 분류기를 선택합니다. 버튼을 클릭하여 검사를 수행합니다. Result 탭에서 처리 시간과 예측 결과를 확인 할 수 있습니다.
2022.10.261. 실행 하기 Open eVision Studio 실행하기 Open eVision을 실행합니다 Bayer Interpolation을 진행할 이미지를 Drag & Drop으로 불러 옵니다. (이미지는 반드시 변환 전 Bayer Pattern이 보이는 Raw Data를 불러오셔야 합니다.) CXP Interface에서 Bater RAW Data 취득 방법. Data Stream의 Bayer Method 설정이 Disable로 되어 있어야 합니다. GenICam Browser Preferences 설정의 Enable Bayer decodin이 UnCheck 되어 있어야 합니다. Easy Color 실행 하기 메뉴 모음에서 Easy Color -> Color Conversion을 실행 합니다. Color Image Buffer 생성하기 Color Conversion Dialog에서 Destination Image의 아이콘을 클릭 합니다. Color를 선택하고, Color Image Buffer을 생성합니다. Color Interpolation 진행 하기 GenICam Browser에서 사용하는 카메라의 Bayer Pattern을 확인 합니다. (Remote Device의 Pixel Format이 BayerXX로 설정되어 있습니다.) Color Conversion Dialog의 Configuration을 카메라의 Bayer Pattern에 맞게 설정 합니다. (예시의 경우, Open eVision Smaple 이미지를 이용하기 때문에 Pattern 설정이 다릅니다.) Mode를 선택하여 이미지 변환을 확인 합니다. 변환된 이미지 저장하기 변환이 완료된 이미지를 우클릭 하여 Pop-up Menu를 활성화 합니다. Save As...를 클릭하여 이미지를 저장합니다.
2022.10.26Height Image 연동 및 사용 ZMap 연동 방법 PointCloud 연동 방법 Easy3D Object 사용 ZMap <--> PointCloud Convert ZMap <--> Easy3D Object
2022.10.261. Vitual Comport 설정 방법 Virtual Comport 카메라를 제어하기 위해 통신 연결 시 필요한 Comport를 제공하는 기능입니다. Virtual Comport 설정 방법 시작 프로르매 -> Euresys Multicam -> Multicam Studio (64-bit)를 관리자 권한으로 실행합니다. Tools -> Board Information을 선택합니다. "SerialControlA"에 사용하려는 Comport 값을 입력합니다. Ex) Comport 5번 사용시 COM5 입력 후 Enter Key를 누릅니다. 가상 Comport이기 때문에 장치관리자에서 나타나지 않습니다. Board Comport에 연결하려는 Program도 관리자 권한으로 실행 하셔야 됩니다. 활성화 된 Comport로 카메라를 제어 할 수 있습니다. 2. Multicam Studio 사용 방법 Multicam Studio 사용 방법 시작 프로그램 -> Euresys Multicam -> Multicam Studio (64-bit)를 관리자 권한으로 실행합니다. 좌 상단의 버튼을 클릭 합니다. 사용하는 보드의 타입에 맞는 항목을 체크 하신 후 "Next" 버턴을 선택합니다. Euresys는 크게 Domino, Grablink, Picolo Series가 존재하며 각각 Analog, Camera Link , Standard 타입을 지원합니다. 버튼을 선택하여 사용하려는 캠파일의 경로를 지정합니다. 버튼을 선택하여 사용하려는 카메라의 모델명과 동일한 캠파일을 선택 하신 후 "Next" 버튼을 누릅니다. 사용하려는 캠파일을 선택 하고 선택한 캠파일의 이름을 확인 한 후 "Next" 버튼을 선택합니다. 사용하려는 보드와 "Topology" , "Connector" 를 선택하고 "Finish" 버튼을 선택합니다. Topology : 카메라의 Tap Geomery가 8Tap 이하 일땐 Mono를 선택합니다. Topology : 카메라의 Tap Geomery가 10Tap 일땐 Mono_DECA를 선택합니다. Connector : 사용하려는 채널에 맞게 선택합니다. Grablink Full 사용 시 M 선택 Grablink Dualbase 사용시 A,B 중에 선택 3. Acquisition Mode 설정 방법 Continuous Mode 이미지 취득 방법 Continuous Mode는 카메라의 최대 속도로 연속적인 이미지를 취득하는 방식입니다. 이 방식을 사용하려면 "SC" Camfile을 사용해야 합니다. 일반적으로 파일명에 "SC"가 적혀 있거나, "CamConfig"가 "PxxSC"로 되어 있습니다. 또한 카메라 설정도 Continuous Mode로 설정되어 있어야 합니다. Immediate Mode 이미지 취득 방법 Grabber에서 CC1 신호를 카메라에 지속적으로 발생시켜 이미지를 취득하는 방식입니다. 이 방식을 사용하려면 ' RC or RG' Camfile을 사용해야 합니다. "RC" 방식은 Camera에서 Exposure Time을 제어하는 방식입니다. "RG" 방식은 Grabber에서 Exposure Time을 제어하는 방식입니다. 카메라 설정도 Trigger Mode가 되어 있어야 합니다. Software Trigger Mode 이미지 취득 방법 기본 설정은 Immediate Mode와 동일하며 TrigMode만 SOFT로 변경하면 됩니다. Hardware Trigger Mode 이미지 취득 방법 기본 설정은 Immediate Mode와 동일하며 TrigMode를 Hard로 변경 합니다. Trigger Control -> TrigLine 설정을 현재 배선 되어 있는 Line을 설정 합니다. 4. Multicam Studio 기타 기능 Multicam Studio 이미지 파일 저장 방법 화면에 출력된 이미지를 저장하는 방법은 다음과 같습니다. 버튼을 선택하여 영상 획들을 중지 합니다. 출력된 이미지에서 마우스 우클릭 -> Save Image As...를 선택하여 저장 경로 및 파일명을 입력합니다. Multicam Studio에서 변경한 설정을 캠파일에 저장하는 방법은 다음과 같습니다. 버튼을 선택하여 영상 획득을 중지 합니다. 버튼을 선택하여 속성창을 출력합니다. 버튼을 선택하여 저장경로 및 파일명을 입력합니다. 5. Input / Output Control 사용 방법 Input / Output Control 외부에서 보드로 들어오거나 보드에서 외부로 나가는 신호를 설정 할 때 사용 됩니다. Ex) 외부에서 보드로 들어오는 트리거 신호 PC에서 보드로 들어오는 전원 신호 (5V, 12V) 카메라에서 보드로 들어오는 신호 보드에서 카레라로 나가는 산호 보드에서 조명 컨트롤러로 나가는 신호 등 Input / Output Control실행 방법 시작 프로그램 -> Euresys Multicam - > Multicam Studio (64-bit)를 관리자 권한으로 실행합니다. Tools -> Input/ output Control 를 선택합니다. Input / Output Control 사용방법 - Input Input / Output Control을 통해 외부에서 보드로 신호가 들어오는지 확인이 가능합니다. 확인하는 방법은 다음과 같습니다. "Automatic"을 체크하고 , IO connector에서 입력에 사용 되는 핀을 선택합니다. Config 값을 SOFT로 변경합니다 외부에서 신호가 들어올 때 마다 IIN1의 State 값이 HIGH < - > LOW로 변경되는 것을 확인 할 수 있습니다. Input / Output Control 사용방법 - output Input / Output Conrol을 통해 외부로 신호를 내보 낼 수 있습니다. 사용하는 방법은 다음과 같습니다. Output -> IO Connector에서 출력에 사용 할 핀을 선택합니다. Config의 값을 SOFT로 변경합니다. State의 값을 HIGH < - > LOW로 가변 시 선택한 핀으로 신호가 출력됩니다.
2022.10.261. White Balance 적용 방법 White Balance Multicam Studio에서 Camfile을 불러와 영상을 취득합니다. 아래 이미지는 Bayer Camera의 White Balance 적용 전 모습입니다. 전체적으로 Green 값이 높은 상태입니다. 뷰 윈도우 우측의 White Balance 메뉴를 클릭하여 파라미터를 확장한비다. WBO_Mode는 White Balance를 의미하며 세 가지 옵션이 있습니다. None : 적용 안함. Manual : 수동으로 입력 한 값을 적용. Once : 1회 자동 계산 카메라가 흰색 타겟 (예:A4)을 바라보도록 설정 합니다 WBO_Mode를 Once로 설정한 후 영상을 1장 취득합니다. 이미지 취득 후 WBO_GainR,G,B 값이 변경 됩니다. WBO_Mode를 Manual로 설정하여 영상을 취득합니다. White Balance 적용 후 White Balance 적용 후 WBO_GainR,B,B 값이 변경 되었습니다. 영상을 취득하면 보정 전보다 정확한 색감을 얻을 수 있습니다. 2. Camefile에 White Balance 적용 방법 White Balance Camfile 적용 사용하는 Camefile을 메모장으로 불러옵니다 Camefile 내용의 맨 마지막 줄의 아래의 내용을 추가합니다. WBO_mode : MANUAL; WBO_GainR = 계산된 값; WBO_GainG = 계산된 값; WBO_GainB = 계산된 값; Multicam Studoi 에서 수정된 Camefile을 불러와 영상을 취득합니다. White Balance 파라미터가 설정되어, 올바른 색감의 이미지를 바로 얻을 수 있습니다.
2022.10.251. C2C-Link 특징 C2C-Link 특징 여러대 (복수)의 보드의 트리거 및 노출 시작 동기화 가능 PC 한 대에 여러 대 보드 간의 동기화 (지연시간 :10ns 이하) 여러 PC에 여러 보드 간의 동기화 (지연시간 : 265ns 이하, C2C Link Adapter 필요) 2. Hardware 구성 Hardware 구성 방법 PC 한 대에 여러 보드 구성 C2C 케이블을 이용하여 보드 간의 C2C 케이블 연결 여러 PC에 여러 보드 구성 C2C Link Adapter를 이용하여 보드 간의 C2C 케이블 연결 3. Software 설정 Software 구성 신호를 보내는 Device 설정 Devices C2CLinkConfiguration : Master 신호를 받는 Device 설정 Devices C2CLinkConfiguration : Slave CycleTriggerSource : C2C 4. Memento Log 로 신호 지연시간 확인 Memento Log PC 한 대에 여러 보드로 테스트 결과 5ns 지연 시간 발생
2022.10.251.Line Scan & TDI Camera Line Scan Camera 특징 Area Scan Camera (Frame Scan Camera) 대비하여 적은 Pixel. 카메라혹은 촬영 하고자 하는 대상체를 이동시켜 이미지를 취득. Pixel Resolution과 Encoder Resolution을 일치시켜 1대1 영상을 취득 장점 센서 자체의 FOV가 좁아 환경 구성 비용이 저렴. 단점 광량 확보가 어려움. TDI Camera 특징 일반적인 Line Scan Camera의 감도 문제를 개선시키기 위해 개발. 여러 Stage에서 취득된 데이터를 중첩하여 감도 확보. 장점 감도 확보에 유리. 단점 Line Scan Camera에 비해 고비용 Focus 확보의 어려움 존재 2. Multicam to Coaxlink Multicam to Coaxlink - period 동작 특징 Grabber 내부 Clock을 이용하여 설정된 Period를 갖는 신호를 생성. 생성된 신호에 의해 Frame Rate(Line Rate)가 변화 사용 환경 Encoder 신호를 받지 못하는 환경에서 사용 등속 구간이 아닐 경우, 영상의 일그러짐 발생 가능성 존재 LineRate 계산방식 : Motion Speed / Pixel Resolution -> 10 mm/s / 10um = 1000Hz - 1KHz eg) CycleMinimumPeriod = 1 / 1000Hz - 0.0001s = 100(us) Multicam to Coaxlink - pulse 동작 특징 외부 Encoder 신호를 정수비로 분주하여 신호를 생성. 사용 환경 Encoder 신호를 받아 사용 Pixel Resolution과 Encoder Resolution이 정수 배일 경우 사용. 등속 구간이 아닐 경우에도 영상의 일그러짐 발생하지 않음. Factor 계산 방식 : Pixel Resolution / Encoder Resolution -> 10um / 1um = 10 Multicam to Coaxlink - Convert 동작 특징 외부 Encoder 신호를 실수비로 분주하여 신호를 생성. 사용 환경 Encoder 신호를 받아 사용. Pixel Resolution 과 Encoder Resolution이 정수 배가 아닐 경우 사용. 등속 구간이 아닐 경우에도 영상의 일그러짐 발생하지 않음 Factor 계산 방식 : Pixel Resolution / Encoder Resolution -> 10um / 3um = 3.333 eg) Multiplier Factor = 10, Divider Factor = 3 Multicam to Coaxlink - Start Trigger 동작 특징 Image Buffer를 취득하는 시점을 외부 신호로 정의. 사용 환경 Differential, TTL, OPTO (5~25V) 모든 종류의 신호 사용 가능. Start Trigger 인가 전까지 영상 대기 상태로 유지 . Period, Pulse, Convert mode 관계 없이 사용 가능. Multicam to Coaxlink - End Trigger 동작 특징 Image Buffer를 종료하는 시점을 외부 신호로 정의. 사용 환경 Differential, TTL, OPTO (5~25V) 모든 종류의 신호 사용 가능. Start Trigger와 같이 사용. Stop Trigger 인가 전까지 지속적으로 영상 획득. Period,Pulse,Convert Mode 관계 없이 사용 가능. 3. TDI 카메라 TDI 카메랄 파라미터 - ScanDirection 데이터 스캔 방향성을 선택 합니다. 선택 된 방향성과 반대 방향으로 스캔 시 , Blur 증상이 발생 합니다. TDI 카메라 파라미터 - TDI Stage Operation Mode 가 TDI 일때 사용 중첩 시킬 Line의 개수를 의미 TDI Stage 수가 많아 질 수록 감도 성능이 우수해짐. TDI 카메라 파라미터 - TDI, Area TDI TDI Stage를 이용하는 모드. 설정된 TDI Stage 수만큼 Image를 Intergration 하여 하나의 Line으로 출력 Area TDI Sensor 특성상 Focus를 맞추기 어려워 제공되는 기능. Sensor의 모든 라인을 이용하여 Image 출력. 노출시간 제어 가능. 항상 FreeRun으로 동작. 실제 검사 환경에 사용 권장하지 않음. TDI 카메라 세팅방법 - Free Run 카메라 내부 Clock 기준으로 카메라가 영상을 취득합니다. 데이터 취득 속도는 Acquistion Frame Rate에 종속 됩니다. Acquisition Frame Rate 계산 방법 = Moving Speed / Pixel Resolution eg) Moving Speed - 10mm/s, Pixel Resolution = 10um 10,000um/s / 10um = 1,000 TDI 카메라 세팅방법 - Trigger Mode 카메라 외부에 인가되는 External Trigger 혹은 CXP Trigger 기준으로 카메라가 영상을 취득 합니다. 데이터 취득 속도는 External Trigger 혹은 CXP Trigger Rate에 종속 됩니다. Pixel Resolution과 Trigger (Encoder Resolution)의 비율이 다를 경우, Grabber의 Pulse, Convert 모드를 사용하거나 , Camera의 Trigger Rescaler Rate를 이용하여 조절합니다. 4. JS 파일 설명 JS 파일 설명 - Immediate Trigger Mode Grabber에서 일정한 주기를 갖는 신호를 생성. 해당 신호를 이용하여 카메라의 Frame Rate를 조절 CycleMinimumperiod, ExposureRecoveryTime 파라미터 조절을 통해 Line Rate 조절 가능. CycleMinimumPeriod 계산식 = 1 / 사용하고자 하는 Line Rate. * 10^6(us 단위로 변환) eg) 사용하고자 하는 Line Rate : 8KHZ 1 / 8,000 = 0.000125 * 1,000,000 = 125 JS 파일 설명 - Encoder Trigger Mode Grabber External Connector로 인가된 Differential 신호를 이용. Pixel Resolution과 Encoder Resolution이 일치하지 않을 경우, Pulse(DIV) or Convert(MDV) 모드 사용. QuadratureDecoderToolForwardDirection을 이용하여 신호 방향성 설정 가능. QuadratureDecoderToolOutputMode를 이용하여 신호 인식 동작 설정 가능. CycleMinimumPeriod, ExposureRecoveryTime가 현재 사용하고자 하는 Line Rate와 일치하지 않을 경우, 포커스가 무너짐. JS 파일 설명 - Encoder Trigger Mode + Start Trigger /End Trigger Encoder Trigger Mode에 Start Trigger, End Trigger 기능 추가. LineInputToolSelector, LineInputToolSource를 조절하여 입력 신호 조절 가능. StartOfSequenceTriggerSource를 이용하여, Start Trigger 설정. EndOfSequenceTriggerSource를 이용하여 End Trigger 설정. 5. 동작 예시 동작 동영상 미리 제작된 JS 파일 Load. 현재 상황에 맞게 파라미터 수정. 데이터 취득
2022.10.251. JS 파일 오픈 제공드리는 Base.js 파일을 우클릭 합니다. 편집을 클릭하여 오픈 합니다. 2. JS 파일 수정 Interface -> InterfacePort Device -> DevicePort Remote Device -> RemotePort Data Stream -> StreamPort Node 몇 , 값 기재 예시 : SetRemotePort('ExposureTime','1000');
2022.10.251. IO Connector IO Connector - Differential Input 전기적 사양 RS-422/RS-485 differential line drivers 신호 인식 사용 환경 주로 Encoder 신호를 사용하여 고속으로 Trigger 인가 받기 위해 사용 IO Connector - Isolate Input 전기적 사양 Totem-pole LVTTL, TTL, 5 V CMOS drivers RS-422 line drivers potential free contact, solid-state relay , opr opto-isolators 12 V and 24 V signaling voltage also acceptd 사용 환경 50KHz 주기 이하의 신호 인식 5~24K 다양한 Level의 신호 인식 IO Connector - Isolate output 전기적 사양 30V/100mA 내에서 사용 가능 외부 전원 혹인 Connectoer 12V/GND 핀을 이용하여 사용 IO Connector - TTL IO 전기적 사양 LVTTV(3.3V low-voltage TLL) [Input / Output] TTL (5V TTL) [Input / Output] CMOS (5V CMOS) [Input] 2. CoaxPress Diagram CoaxPress 동작 Diagram CoaxLink Frame Grabber 동작은 크게 3가지로 구분이 가능합니다. I/O ToolBox : I/O를 통해 인가 받은 신호를 가공. (Delay, Divider, Multiplier) CIC Camera & Illumination Controller : I/O ToolBox 에서 가공된 신호를 이용하여 Trigger 및 Strobe 동작 제어 Image Acquisition Controller : Image Acquisition 및 Grabber 내부 전처리 기능 담당 3. IO Tool Box IO Tool Box 위치 Line Input Tool External IO와 맵핑이 가능한 IO Tool Box 내부에서 사용되는 신호를 제공합니다. (총 8EA) LineInputToolSelector : 사용하고자 하는 IO ToolBox 내부 신호를 선택 합니다. LineInputToolSource : 맵핑할 External IO 신호핀을 선택 합니다. LineInputToolActivation : 신호 인식 시점을 선택 합니다. Delay Tool IO Tool Box 내부에서 사용되는 신호에 Delay를 적용 합니다. (총 2EA) DelayToolSelector : Delay가 적용될 신호를 선택 합니다. DelayToolSource1 : DEL1 신호에 적용 될 신호를 선택 합니다. DelayToolSource2 : DEL2 신호에 적용 될 신호를 선택 합니다. DelayToolClockSource : DEL 신호에 적용될 Delay 기준 Clock을 선택 합니다. DelayToolDelayValue : DelayToolClockSource를 몇 회까지 Skip할지 기준을 선택 합니다. Divider Tool IO Tool Box 내부에서 사용되는 신호에 분주를 적용 합니다. (총 1EA). DividerToolSelector : 분주가 적용될 신호를 선택 합니다. DividerToolSource : 분주의 기준 신호를 선택 합니다. DividerToolEnableControl : DIV1신호 사용 여부를 선택 합니다. DividerToolDivisionFactor : 분주비를 선택 합니다. (정수만 가능) DividerToolInitialOffset : 분주 적용 전, 건너뛸 신호의 개수를 선택 합니다. MultiplierDividerTool IO Tool Box 내부에서 사용되는 신호의 속도를 변경 합니다. (총 1EA). MultiplierDividerToolSelector : MultiplierDivider가 적용될 신호를 선택 합니다. MultiplierDividerToolSource : 변경할 기준 신호를 선택 합니다. MultiplierDividerToolEnableControl : MDV1 신호 사용 여부를 선택 합니다.. MultiplierDividerToolMultiplierFactor : 기준신호의 증폭 배수를 선택 합니다. (실수 적용 가능) MultiplierDividerToolDivisionFactor : 기준신호의 분주 배수를 선택 합니다. (실수 적용 가능) QuadratureDecoderTool External IO와 맵핑이 가능한 IO Tool Box 내부에서 사용되는 신호를 제공 합니다. (총 1EA) QuadratureDecoder의 경우 Line과 달리, Pair 신호만 선택이 가능합니다. QuadratureDecoderToolSelector : 사용하고자 하는 IO Tool 내부 QDC 신호를 선택 합니다. QuadratureDecoderToolSources : 사용하고자 하는 External Pair 신호를 선택 합니다. QuadratureDecoderToolActivation : Pair 신호의 인식 Edge를 선택 합니다. QuadratureDecoderToolDirection : 신호 인식 방향성을 선택 합니다. QuadratureDecoderToolOutputMode Unfiltered : External Pair 신호가 인식 될때마다 신호를 발생시킵니다. ForwardOnly : Forward 방향일때만 신호를 발생시킵니다. FirstPassForwardOnly : Backward발생 시점까지 되돌아 오기 전에는 신호를 발생시키지 않습니다. QuadratureDecoderToolPosition / QuadratureDecoderToolDirection : 현재 위치와 방향을 나타냅니다 [ReadOnly] 동작 예시 IIN1로 1KHz 신호가 인가되며, 카메라는 50Hz로 이미지 취득을 희망 DIV 이용하여 분주된 신호 생성 가능 IIN1로 10Hz 신호가 인가되며, 카메라는 25Hz로 이미지 취득을 희망 MDV이용하여 신호 주파수 변경 가능 Encoder Resulution 이 1um 인 Pair 신호를 이용하여 Resolution 5um 신호로 변경. QuadratureDecoderToolActivation을 AllEdgeAB로 변경하여 Resolutiond을 1/4 = 0.25um으로 인식 DIV이용하여 0.25um 마다 발생 신호를 5um 마다 발생하도록 변경 Encoder Resulution 이 1um 인 Pair 신호를 이용하여 Resolution 0.1um 신호로 변경. QuadratureDecoderToolActivation을 AllEdgeAB로 변경하여 Resolutiond을 1/4 = 0.25um으로 인식 DIV이용하여 0.25um 마다 발생 신호를 0.1um 마다 발생하도록 변경 4. Grabber Trigger Mode 설정 Grabber 동작 설정 위치 Grabber 동작 모드 NC 프레임 그래버에 의해 조절되지 않는 카메라를 대상으로 합니다. 외부 트리거 신호를 사용하지 않는 프리 런 카메라. 직접 Trigger를 인가 받는 트리거모드 카메라 (Camera External IO) RC 카메라주기 속도만 프레임 그래버에 의해 제어되는 트리거 모드카메라를 대상으로 합니다. 노출 지속 시간은 카메라에 의해 제어됩니다. RG 트리거모드 카메라를 대상으로 하며 카메라주기 속도와 노출 지속 시간은 프레임 그래버에 의해 조절됩니다. Grabber 동작 설정 Cycle Trigger Source를 사용하고자 하는 IO ToolBox Out으로 설정
2022.10.25