Teledyne FLIR Neuro-Technologie : Entscheidungsfindung mit KI schneller automatisieren
Mit Deep Learning können Entwickler die komplexe und subjektive Entscheidungsfindung schnell automatisieren. Das Resultat: schnellere Systementwicklung, hochwertigere Produkte und gesteigerte Produktivität.
Normalerweise erfordern Deep-Learning-Systeme separate Kameras und Computernetzwerke. Oftmals müssen die zur Analyse erfassten Bilder an ein Host- oder Cloudsystem geschickt werden, in dem ein neuronales Netzwerk durch Inferenzieren eine Entscheidung trifft. Das ist oft suboptimal: Eine ausgelagerte oder cloudbasierte Verarbeitung verursacht Latenz und riskiert Zuverlässigkeit sowie Sicherheit.
Teledyne FLIR Neuro-Technologie verschafft hier Abhilfe und vereinfacht die Systeminfrastruktur durch die Bereitstellung Ihres trainierten neuronalen Netzwerks direkt auf der Kamera. Kosten und Komplexität des Systems werden so gesenkt, da Entscheidungen direkt auf der Kamera, oftmals sogar ohne Host-PC, getroffen werden. Eine inferenzbasierte Entscheidungsfindung direkt auf der Kamera (am sogenannten "Netzwerkrand") vermeidet Latenz und potenzielle Sicherheitsrisiken. Im Falle der Firefly DL-Kamera findet sowohl die Bilderfassung als auch die inferenzbasierte Entscheidungsfindung in einem System mit einer Größe von nur 27 mm x 27 mm x 14,5 mm statt.
Offene Plattform für grenzenlose Flexibilität
- Durch die Unterstützung gängiger Open-Source-Frameworks wie TensorFlow und Caffe bietet Neuro höchste Flexibilität.
- Mit dem anwenderfreundlichen Konvertierer NeuroUtility von FLIR können sowohl Neueinsteiger als auch Deep-Learning-Experten Netzwerke zur Klassifizierung, Erkennung und Ortung schnell und einfach auf Neuro-fähigen Kameras bereitstellen.
Zentrale Deep-Learning-Funktionen
Neuro eignet sich ideal für die Inferenzfunktionen Objektklassifizierung, -erkennung und -ortung:
| KLASSIFIZIERUNG | |
|---|---|
| Überwachung von Fahrern/Piloten | Erkennt den Wachzustand von Fahrern oder Piloten |
| Produktinspektion | Klassifizierung und Sortierung von Produkten |
| Ausfallsicherheit für Biomedizin – allgemein | Erkennen bestimmter Auffälligkeiten bei Gewebe in Biopsieproben |
| Erkennung fehlender Teile | Erkennen von fehlenden Verpackungsinhalten |
| Gesichtserkennung – Automatisierung | Gesichtserkennung für die Gebäudeautomatisierung |
| Gesichtserkennung – Sicherheit | Gesichtserkennung zu Sicherheitszwecken |
| Inspektion von Solarmodulen | Unterscheiden zwischen kosmetischen Schäden und gefährlichen Sprüngen |
| Verpackungsprüfung | Überprüfen bedruckter Verpackung |
| Lesen von Gebärdensprache | Übersetzen von Gebärdensprache in Wörter |
| Inspektion von Einzelteilen | Überprüfen einzelner Teile |
| Haustiererkennung | Erkennt Haustiere zur Ausgabe von Futter/Öffnung von Haustierklappen |
| Inspektion von Leiterplatten | Erkennen von Defekten an bestimmten Stellen von Leiterplatten |
| ERKENNUNG UND ORTUNG | |
| Inspektion von Textilien | Erkennen von Defekten an Textilien |
| Ausfallsicherheit für Biomedizin – spezifische Erkennung | Erkennen von auffälligem Gewebe in Biopsieproben |
| Wafer-Inspektion in der Halbleiterfertigung – allgemein | bgleich von Silizium-Wafers mit fehlerfreien Musterstücken |
| Kollisionsvermeidung für unbemannte Flugsysteme | Erkennen von Kollisionsgefahren für Drohnen |
| Point-of-Sale-Systeme | Erkennen von Produkten auf dem Kassenband |
| Erkennung von ausverkauften Posten | Erkennen von ausverkauften Produkten |
| Inspektion von Blister-Verpackungen | Inspektion der Verpackung pharmazeutischer Erzeugnisse |
| Wafer-Inspektion in der Halbleiterfertigung – spezifische Defekte | Suche nach spezifischen Defekten auf einem Silizium-Wafer |
| Semiconductor wafer inspection - specific defect | Looking for specific class of defects on a silicon wafer |
| Unkrauterkennung |
|
| Erkennung von Nummernschildern | Erkennen von Nummernschildern an Fahrzeugen |
| Killbot | Steuerung von Robotern zur Erkennung und sicheren Vernichtung invasiver Arten |
| Erkennung und Verfolgung von Seeläusen | Erkennen und Verfolgen von Seeläusen auf Fischfang |
| Demografisches Profiling | Schätzen von Alter und Geschlecht von Menschen in einer Aufnahme zu Analysezwecken im Einzelhandel |
| Sicherheitssystem für mobile Roboter | Erkennung und Schutz von Personen |
| Soldering inspectionInspektion der Qualität von Lötnähten | Inspektion von Lötstellen |
Funktionen für eine einfachere Entwicklung von Deep-Learning-Systemen
- Neuro skaliert Bilder automatisch. Von der Kamera weitergeleitete Bilder werden automatisch entsprechend der Parameter Ihres neuronalen Netzwerks skaliert
- Neuro bietet eine sofortige Validierung von Ergebnissen. Sie können die Inferenzergebnisse hochgeladener Bilder sofort validieren, wodurch sich neue Entwicklungsschritte schnell vollziehen lassen und eine separate Testumgebung hinfällig wird. Dies geschieht mittels Image Injection. Dabei werden Testbilder zur Validierung direkt an das neuronale Netzwerk geschickt, ohne die Kernfunktionen der Kamera zu durchlaufen.
Von Neuro unterstützte Teledyne FLIR-Kameras
