深度嵌入式视觉为制造商带来好处

嵌入式视觉系统可以将紧凑的机器视觉直接集成到机器或设备中。计算机平台和较低的功耗允许在专用pc的不同应用中进行智能图像处理。

深度嵌入式视觉系统可以在没有操作系统的情况下工作，所需的电力和编程更少。这允许更长的运行时间，当只由电池供电。这些系统具有先进的算法，用于处理来自集成图像传感器的原始图像流。他们也通过深度学习来学习。

在设计过程中定义了这些系统的通信选项。在系统设计过程中会产生很高的初始成本，并且这些系统只能在以后进行更改，需要花费大量的时间和精力。

卷积神经网络和深度学习

卷积神经网络(cnn)或模仿大脑的计算机系统已经存在很长一段时间了。但直到最近，处理器才达到了实际应用的速度。神经网络的应用现在已经应用于图像分类、检测和识别。这导致了深度嵌入式视觉的一个关键组件。

深度神经网络使深度嵌入视觉成为可能。对象检测不再需要手动编码。深度神经网络让视觉系统从训练实例中学习。深度学习表明神经网络有一个输入层、一个输出层和至少一个隐藏的中间层。

cnn是目前实现深度嵌入式视觉所需的深度神经网络的方法。cnn可以被训练来检测多个对象。使用传统算法，必须为每一种新的对象类型设计一个算法。深度学习框架使用大量的图像数据集来训练CNN来检测图像中的特定特征。

将深度嵌入的视觉运用到工作中

深度嵌入式视觉的一个应用是抄表领域。紧凑的模块集成了摄像头、OCR软件和无线电链路。视觉系统可以安装在机械仪表上，无需用电子仪表代替仪表，即可实现廉价的自动记录。

读数可以按规定的时间间隔转发到主计算机。手工阅读的劳动密集型任务变得不必要了。由于功耗低，模块可以运行多年无需维护。

随着不断创新，深度嵌入式视觉系统将被开发用于越来越多的可以通过深度学习来教授的任务——受益于更低的功耗要求、更长的运行时间以及无需操作系统的工作。

本文最初发表于视觉在线．AIA是先进自动化协会(A3)的一部分，是CFE媒体的内容合作伙伴。由CFE媒体制作编辑克里斯·瓦夫拉编辑，cvavra@cfemedia.com．

原始内容可以在www.visiononline.org．

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。