近年來，機器視覺系統(tǒng)越來越多地基于可變條件進行自動化決策。開發(fā)這些系統(tǒng)所需的時間和精力可能會讓人望而卻步。而深度學習的出現(xiàn)正在改變這一局面，并使自動化決策觸手可及。開源庫、Nvidia硬件和FLIR相機等資源正在幫助實現(xiàn)這一變化。

走進深度學習

“一張圖片勝過千言萬語”這句話在機器視覺領域里從未像今天這樣真實。機器視覺可以將數(shù)千甚至數(shù)百萬行代碼用簡單地經(jīng)過圖片和少量編碼訓練后的的神經(jīng)網(wǎng)絡所代替。

深度學習是一種機器學習形式，它使用在輸入和輸出節(jié)點之間有許多“深層”層的神經(jīng)網(wǎng)絡。通過在大數(shù)據(jù)集上訓練網(wǎng)絡，可以創(chuàng)建一個模型，用于根據(jù)輸入數(shù)據(jù)進行準確預測。在用于深度學習的神經(jīng)網(wǎng)絡中，每一層的輸出都被反饋到下一層的輸入。通過改變層之間連接的權重來迭代優(yōu)化模型。在每個周期中，對模型預測準確性的反饋用于指導連接權重的變化。

深度學習有多個不同權重的神經(jīng)元“層”幫助神經(jīng)網(wǎng)絡做出決策。深度學習可以分為訓練和推斷兩個階段。

在訓練階段，通過確定神經(jīng)元和神經(jīng)網(wǎng)絡層的數(shù)量，并使之接觸已被標簽化的訓練數(shù)據(jù)。有了這些數(shù)據(jù)，神經(jīng)網(wǎng)絡就可以自己學習什么是“好”或“壞”。例如，進行水果分級時 ，先向神經(jīng)網(wǎng)絡展示標有“A級”、“B級”、“C級”等標簽的水果圖像，然后神經(jīng)網(wǎng)絡計算出每個等級的特性；比如大小、形狀、顏色、顏色的一致性等等。我們不需要手動定義這些特征，甚至不需要大小程度進行編程，神經(jīng)網(wǎng)絡將會自行訓練。訓練階段完成后，便獲得經(jīng)過訓練的神經(jīng)網(wǎng)絡。

使用某一神經(jīng)網(wǎng)絡對新圖像進行評估以做出決策的過程稱為推斷。當向訓練過的神經(jīng)網(wǎng)絡呈現(xiàn)一個新的圖像時，它會提供一個推斷（即答案）：例如“A級，可信度為95%?！?/p>

Firefly DL

深度學習是系統(tǒng)設計者快速自動化復雜和主觀決策、提供更高質量產(chǎn)品和提高生產(chǎn)力的強大工具。部署深度學習神經(jīng)網(wǎng)絡的一項值得關注的優(yōu)勢在于它允許通過少量硬件和處理功率在邊緣作出復雜決定——低成本 ARM 或 FPGA 基礎系統(tǒng)和全新推斷工業(yè)相機，如 FLIR Firefly DL 可以做到。

使用Neuro技術將經(jīng)過訓練的神經(jīng)網(wǎng)絡部署到FLIR的Firefly DL上，并通過在沒有主機的情況下在相機上做出決策來降低系統(tǒng)成本和復雜性。Firefly DL相機體積小、重量輕、功耗低，是嵌入移動、桌面和手持系統(tǒng)的理想選擇。

主要特征

深度學習加快部署&新的可能性：通過深度學習快速開發(fā)和部署具有挑戰(zhàn)性的自動化問題的準確解決方案。相機上的深度學習推理：通過將經(jīng)過培訓的網(wǎng)絡部署到Firefly DL相機，減少系統(tǒng)成本和復雜性，從而無需使用主機系統(tǒng)執(zhí)行分類任務。非常適合嵌入緊湊型便攜式設備：27mm×27mm×14mm的小包裝，僅2W功耗和20g重量。

光譜范圍

目前，F(xiàn)irefly DL系列工業(yè)相機根據(jù)鏡頭接口劃分6個型號，F(xiàn)FY-U3-16S2-DL的感光光譜有彩色和黑白。

應用領域

邊緣推理；攝像頭質量檢查；目標檢測和跟蹤；無人機與機器人防撞。