• <s id="yf2j4"></s>
    <tbody id="yf2j4"><p id="yf2j4"></p></tbody>
    <rp id="yf2j4"><ruby id="yf2j4"></ruby></rp>
  • <button id="yf2j4"><acronym id="yf2j4"></acronym></button>
  • <button id="yf2j4"><object id="yf2j4"></object></button>
      <progress id="yf2j4"><track id="yf2j4"></track></progress>
      <dd id="yf2j4"><noscript id="yf2j4"></noscript></dd>
        石鑫華視覺網| 東莞華視自動化科技有限公司|機器視覺論壇|淘寶店鋪

        石鑫華視覺網_機器視覺光源_光源控制器_工業相機_工業鏡頭_視覺系統方案_NI_LabVIEW_Vision_圖像處理教程_機器視覺論壇商城_東莞市華動智能科技有限公司

        當前位置: 首頁 > 百科 >

        深度學習-FLIR

        時間:2019-08-31 12:01來源:石鑫華視覺網www.sztcdj.cn 作者:石鑫華 點擊: 99999次
        收集圖像數據,訓練神經網絡并在嵌入式系統上部署 挑戰: 自動實現復雜決策制定的算法難以編寫且費時費力。 解決方案: 結合使用開源庫、Nvidia 硬件和 FLIR 相機,充分利用深度學習。 通過 FLIR 相機,您可以: 獲取高級功能,可最大限度地減少神經網絡訓練所需的圖像
         

        收集圖像數據,訓練神經網絡并在嵌入式系統上部署

         

        挑戰:自動實現復雜決策制定的算法難以編寫且費時費力。 

        解決方案:
        結合使用開源庫、Nvidia 硬件和 FLIR 相機,充分利用深度學習。
        通過 FLIR 相機,您可以:

        • 獲取高級功能,可最大限度地減少神經網絡訓練所需的圖像預處理
        • 與 NVidia Jetson TX-2 和 Drive PX 2 等平臺無縫協同工作
        • 提供全天候可靠性,實現無故障部署

         






        什么是深度學習?

        深度學習是機器學習的一種形式,所采用的神經網絡在輸入節點和輸出節點之間具有許多“深度”層。通過基于大數據集訓練網絡,創建的模型可用于根據輸入數據進行精確預測。在用于深度學習的神經網絡中,每一層的輸出會前饋到下一層的輸入。通過更改各層之間連接的加權,反復優化模型。在每一個周期,對模型預測準確度的反饋將用于指導連接加權的更改。

        IEEE-1588 計時延遲同步路徑加權的神經網絡
        圖 1:輸入和輸出之間含有“深度”隱藏層的神經網絡。圖 2:相對輸入加權的更改

         
        Tensor Flow 縮略圖親自動手嘗試一下!

        訪問 TensorFlow 實驗室即可親自動手實驗深度學習。實驗允許更改輸入、每層的節點數和隱藏層的數目。改變這些參數會對訓練速度和預測準確度產生較大影響。

         

        深度學習通過自動處理之前對于傳統視覺應用過于復雜的過程,不斷改變著交通系統。得益于易于使用的框架以及經濟實惠且實現加速的圖形處理單元 (GPU) 硬件和云計算平臺,所有人都可以輕松使用深度學習。

        黃瓜分揀示例


        以下案例舉例說明了深度學習的使用:一位日本農民通過配置 Google 的 TensorFlow 框架和 Cloud ML 對黃瓜進行分級。借助 TensorFlow,他使用每個黃瓜等級的樣本圖像訓練了神經網絡。系統了解了如何根據樣本圖像中的特征區分黃瓜等級。黃瓜在通過農民的分揀機器后,會產生相應的圖像,經過訓練的神經網絡會對它們進行分類。TensorFlow 隨后指示分揀機器將黃瓜轉移到正確的容器中。閱讀完整案例 

         

         

         

        為什么深度學習現在廣受歡迎?

        GPU 加速硬件:功效更高、成本更低
        使用大量處理器并行執行一組協調計算的 GPU 體系結構(稱為“大規模并行”體系結構)非常適合深度學習系統。通過 Nvidia 持續不斷的研發,極大地提升了 GPU 加速計算平臺的功效和效率并大幅降低了成本。此項技術應用廣泛,從基于 Jetson TX1 和 TX2 的緊湊型嵌入式系統到如 GTX 1080 等的 PC 級 GPU,再到如 Nvidia DGX-1 和 Drive PX 2 等的 AI 專用平臺。

        Nvidia 深度學習硬件 - TX1 Drive PX
         圖 3:Nvidia TX1(左)、TX2(中)和 Drive PX 2(右)等硬件因其并行計算架構而在加速深度學習過程方面表現出色。


        使深度學習框架大眾化
        除了開發易于使用的框架外,還提供大量教程和在線課程來幫助人們使用深度學習。通過內含 Google 的 TensorFlow 以及開源 Caffe、Torch 和 Theano 的 C++ 包裝器,用戶能夠快速構建和訓練自己的深度神經網絡 (DNN)。最好是從通用型 TensorFlow 開始,而 Caffe 的 GPU 優化使它非常適合部署在 Jetson TX1 和 TX2 上。Nvidia CUDA 深度神經網絡 (cuDNN) 庫為開發人員提供了已高度優化的常見深度學習功能的實現,進一步簡化了針對這些平臺進行的開發。

        深度學習網絡

         

        用于交通系統的深度學習

        多種應用
        雖然媒體主要關注的是無人駕駛車輛的發展,但深度學習還有許多其他交通應用。深度學習適用于較小規模的系統,用于解決檢測交通信號控制的行人和應急車輛、停車場管理、強行頻繁占用車道以及高精度車輛和牌照識別等問題。它還適用于較大規模的系統,用于解決城際交通流量疏通等問題。

        RoboRace
        Roborace / Daniel Simon (c) 來源:http://roborace.com/media/

        持續訓練深度學習系統,以便應對不斷變化的狀況。HERE 公司正致力于將支持深度學習的地圖系統部署到無人駕駛汽車中。此技術將生成持續更新的地圖,分辨率介于 10-20 厘米。通過深度學習,HERE 的地圖將包括固定物體(如標牌)和臨時行駛隱患(如施工工程)的精確位置。  

        價格更低、準備時間更短
        通過提供分散的現成相機和嵌入式平臺,交通系統設計人員可以靈活地調整系統來適應他們的項目。單獨的相機和處理硬件使每個組件的升級路徑既簡單又不受約束。與專用智能相機相比,此生態系統的價格更低,準備時間更短。

        如何實現系統

        訓練數據采集
        設計人員必須先訓練深度學習模型,然后才能進行部署。若要實現精確結果,需要高質量的訓練數據。高性能相機向根據視覺輸入做出決策的系統提供盡可能好的訓練圖像。

        相機范圍內的圖像處理可簡化訓練之前所需的數據標準化。對自動算法的精確控制、銳化、像素格式轉換、鏡頭遮光更正以及 FLIR 的高級預置顏色轉換和色彩校正矩陣等相機功能可優化圖像。FLIR 在制造期間嚴格控制質量,最大限度地降低相機性能影響,從而減少訓練前進行標準化的需求。

        對于捕獲移動車輛圖像的應用,全局快門傳感器可同時讀取所有像素,以防物體在讀出過程中因移動而導致的失真。FLIR 的許多機器視覺相機都使用 Sony Pregius 全局快門 CMOS 傳感器。憑借 72dB 的動態范圍和小于 3e- 的讀取噪聲,它們可以同時捕獲明亮區域和陰影區域的細節,并提供出色的低光拍照性能。

        低光應用(如室內停車場管理)可利用背照式 (BSI) Sony Exmor R 和 Starvis 傳感器的像素結構優勢。這些設備追求的是更大的量子效率,而不是讀出速度,以便具備小且經濟的傳感器以及更好的低光性能。



         

        在專用硬件上訓練
        收集足夠的訓練數據后,就可以訓練您的模型了。若要加快此過程,可以使用具有一個或多個啟用了 CUDA 的 GPU 或專用 AI 訓練硬件(如 Nvidia DGX-1)的 PC。還提供專門使用深度學習的計算平臺。

        Nvidia 訓練時間
         相對性能(基于訓練時間)
        NVIDIA DGX-1 的訓練速度快 75 倍
        CPU 是雙套接字 Intel Xeon E5-2697 v3,170 TF 支持半精度或 FP16


        部署到嵌入式系統

        完成深度學習模型訓練后,就可以將它部署到相關領域了。通過功能強大的精簡型 GPU 加速嵌入式平臺,可防止在傳統 PC 上使用具有空間和電源要求的應用,并在進行邊緣計算時強制使用有限的 Internet 連接。這些系統基于 ARM 處理器體系結構,通常在基于 Linux 的操作系統上運行。有關如何在 Linux 環境中在 ARM 設備上使用 FLIR 的 FlyCapture SDK 的信息,可在此處找到。

        許多交通應用依賴于具有多個相機的系統。通過 FLIR 機器視覺相機,系統設計人員可以靈活地通過 GPIO 或軟件準確觸發多個相機。IEEE 1588 精確時間協議 (PTP) 使相機時鐘與通用時基或 GPS 時間信號同步,無需用戶監督。多相機系統的 MTBF 隨每個額外相機降低,高度可靠的相機在構建穩健的系統時起關鍵作用。設計和測試 FLIR 機器視覺相機可確保全天候可靠性,從而最大限度地減少停機和維護。

        使用 FLIR 相機的 Nvidia Drive PX
         使用 FLIR Grasshopper3 USB3 相機的 NVidia Drive PX2

        Nvidia Jetson TX1 和 TX2 是功能強大且高效的 GPU 加速嵌入式平臺,支持第一代 USB 3.1 和 GigE Vision 相機。專用的 Jetson 載板提供 I/O 連接性和應用特定功能。SmartCow TERA+ 本身就支持將最多 8 個 GigE 相機與一個托管交換機一起使用。它還支持 RS-232 和 RS-485 串行通信。SmartCow 還提供 Caffe 包裝器,可簡化在 TERA+ 硬件上支持視覺應用的深度學習的設計和部署。Connect Tech Cogswell Carrier 支持第一代 USB 3.1 和以太網供電 (PoE) GigE 相機。此處提供了有關在 Nvidia TX 1 和 TX 2 上開始使用 FLIR 相機的信息。 

        Nvidia Drive PX 2 是開放汽車 AI 平臺,內置有兩個 Pascal GPU 核心。憑借八個 TFLOPS,Drive PX 2 的計算能力相當于 150 臺 Macbook Pro。Drive PX 2 旨在支持深度學習應用,實現無人駕駛車輛導向。除了第一代 USB 3.1 和 GigE Vision 相機,它還對使用汽車 GMSL 相機接口的相機有所投入。有關 Drive PX 2 入門的信息,請單擊此處。

         

        深度學習入門不像您想象的那么復雜!

        借助以下出色教程,深入了解深度學習:
        https://developer.nvidia.com/embedded/twodaystoademo
        http://blog.udacity.com/2017/01/siraj-raval-deep-learning-nanodegree-foundation-program.html


        (責任編輯:石鑫華)
        ------分隔線----------------------------
        石鑫華推薦
        • 隔行掃描

          隔行掃描 東莞華視自動化科技有限公司 http://pcmv.cn- 石鑫華視覺網 http://shixinhu...

        • 逐行掃描

          逐行掃描 石鑫華視覺網 http://www.sztcdj.cn- 東莞華視自動化科技有限公司 http://pc...

        • 像方遠心鏡頭

          像方遠心鏡頭,東莞華視自動化科技有限公司,石鑫華視覺網,光軸,像方遠心光路,調焦,測量...

        • 物方遠心鏡頭

          物方遠心鏡頭,物方遠心光路,東莞華視自動化科技有限公司,石鑫華視覺網,光軸,畸變,孔徑...

        • Gige Vision

          GigE Vision Gige Vision 概述 GigE Vision是由自動化影像協會AIA(Automated Imaging ...