Teledyne FLIR Neuro Technology: Automate Complex Decisions Faster with Deep Learning

开发人员可以利用深度学习方法快速完成复杂且主观决策的自动化。这将有助于加快系统开发、提高交付产品质量并增强生产力的能力。

 

深度学习系统一般需要单独的摄像头和计算机系统。捕获以用于分析的图像通常需要发送到主机或云系统,神经网络在其中进行由推断推动的决策。但这种方式不是很理想,因为依赖远程或基于云的处理会增加延迟,引发可靠性和安全性风险。

 

Teledyne FLIR Neuro 技术允许您直接向摄像头部署受训后的神经网络,避免上述风险并简化系统基础架构。该方式实现相机内建的决策,而且多数情况下不需要主机 PC,从而缩减了成本和复杂性。相机上进行的由推断推动的决策,也称为“边缘”决策,避免了系统延迟和潜在安全风险。使用 Firefly DL 摄像头时,图像捕获和推断决策均在 27 mm x 27 mm x 14.5 mm 的空间内完成。

 

可靠性出众的开放平台

  • 为获得优越的灵活性,Neuro 支持常用的开源框架,包括 TensorFlow 和 Caffe。
  • 为实现轻松部署,Teledyne FLIR 的 NeuroUtility 转化工具可供新手和老练的深度学习开放人员使用,此工具有助于将分类、检测和定位网络部署到受 Neuro 支持的摄像头上——快速而简便。
  •  

关键的深度学习功能

Neuro 是实现物体分类、检测和定位之推断功能的理想选择:

分类

 

 

 

 

 

 

驾驶员/飞行员监控

检测驾驶员或飞行员的清醒状态

生产检验

产品分类和排序

生物医学的自动防故障 - 通用

在活组织检查样本中识别组织的具体异常情况

遗失部件检测

检测箱内应包含部件是否遗失

面部识别 - 自动

用于大楼自动化的面部识别

面部识别 - 安全

用于安全目的的面部识别

太阳能板检测

外部刮伤和严重裂纹区分

包装检测

印刷包装检测

符号语言读取

符号语言和文字的匹配

独立部件检测

检测单独部件

宠物检测

识别宠物以控制食物分配/宠物门

PCB 检验

识别特定位置 PCB 中的瑕疵

检测和定位

织物检测

织物瑕疵检测

用于生物医学的自动防故障 - 特定缺陷

活组织检查样本中异常组织识别

半导体晶圆检测 - 通用

硅晶圆对比已知良好部件的检测

UAS 防撞

无人机潜在碰撞危险检测

销售系统点

检验传送带上的产品识别

检测缺货产品

货架缺货产品识别

罩板包装检测

药品包装检测

半导体晶圆检验 - 通用

查找硅晶圆上的特定瑕疵类别

杂草检测

除草坐标定位传递

牌照检测

印刷牌照识别

Killbot

识别和消灭入侵物种的机器人指引

海虱检测和追踪

饲养鱼类上的海虱检测和追踪

人口统计资料

预测某场景的人员年龄和性别以进行零售分析

移动机器人安全系统

检测人员,避免撞倒

焊接检测

焊点质量检测

简化深度学习开发的功能

  • Neuro 提供自动图像尺寸修改。从摄像头传入的图像可进行尺寸设置以匹配您的神经网络参数

Neuro 提供即时结果验证。您可以通过上传测试图像并马上验证推断结果来快速重复;无需单独的测试环境。可通过图像输入实现该功能,借此,测试图像将绕过摄像头核心功能并直接发送到神经网络进行验证

受 Neuro 支持的 Teledyne FLIR 摄像头

Firefly DL 摄像头