近年來，機器視覺系統越來越多地基于可變條件進行自動化決策。開發這些系統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這一變化。

在機器視覺產品資料查詢平臺，了解更多Firefly DL工業相機的信息。

“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。機器視覺可以將數千甚至數百萬行代碼用簡單地經過圖片和少量編碼訓練后的的神經網絡所代替。

深度學習是一種機器學習形式，它使用在輸入和輸出節點之間有許多“深層”層的神經網絡。通過在大數據集上訓練網絡，可以創建一個模型，用于根據輸入數據進行準確預測。在用于深度學習的神經網絡中，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元“層”幫助神經網絡做出決策。深度學習可以分為訓練和推斷兩個階段。

在訓練階段，通過確定神經元和神經網絡層的數量，并使之接觸已被標簽化的訓練數據。有了這些數據，神經網絡就可以自己學習什么是“好”或“壞”。例如，進行水果分級時 ，先向神經網絡展示標有“A級”、“B級”、“C級”等標簽的水果圖像，然后神經網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，神經網絡將會自行訓練。訓練階段完成后，便獲得經過訓練的神經網絡。

使用某一神經網絡對新圖像進行評估以做出決策的過程稱為推斷。當向訓練過的神經網絡呈現一個新的圖像時，它會提供一個推斷（即答案）：例如“A級，可信度為95%。”

深度學習是系統設計者快速自動化復雜和主觀決策、提供更高質量產品和提高生產力的強大工具。部署深度學習神經網絡的一項值得關注的優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 基礎系統和全新推斷工業相機，如 FLIR Firefly DL 可以做到。

使用Neuro技術將經過訓練的神經網絡部署到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、桌面和手持系統的理想選擇。

Firefly DL 產品圖

• 主要特征

01深度學習加快部署&新的可能性

通過深度學習快速開發和部署具有挑戰性的自動化問題的準確解決方案。

02相機上的深度學習推理

通過將經過培訓的網絡部署到Firefly DL相機，減少系統成本和復雜性，從而無需使用主機系統執行分類任務。

03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

SPECTRAL RANGE

目前，Firefly DL系列工業相機根據鏡頭接口劃分6個型號，FFY-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