Sie verwenden einen veralteten Browser und können nicht alle Funktionen dieser Webseite nutzen. Hier erfahren Sie, wie Sie Ihren Browser aktualisieren können.

OK
Starten Sie jetzt mit der Konfiguration Ihres Vision Systems

Vision Systeme für Deep Learning

Deep Learning kommt bei Computer Vision Anwendungen mehr und mehr zum Einsatz. Künstliche neuronale Netze (KNNs) haben zwei wichtige Vorteile. Einerseits haben KNNs das Potenzial, die Genauigkeit und Robustheit von Anwendungen für die Fabrikautomatisierung, Robotik oder den Einzelhandel zu verbessern. Andererseits sind KNNs in der Lage, bildbasierte Probleme für Anwendungen zu lösen, für die das in der Vergangenheit nicht möglich war, z.B. Pathologieerkennung in der Mikroskopie oder die komplexe Musterklassifizierung bei der Oberflächeninspektion.

Vergleich von klassischer Bildverarbeitung mit Deep Learning

Deep Learning basierte Bildverarbeitung

First image
Second image

Klassische Bildverarbeitung

Klassische Bildverarbeitung

Einsatzmöglichkeiten:

  • Erkennung einfacher Formen und Strukturen
  • Rektifizierung und Koordinatenumrechnungen
  • Messungen von Positionen, Entfernungen, Größen
  • Vorverarbeitung von Bildern
  • Codeleser

Vorteile:

  • Schnelle und einfache Einrichtung
  • Ausgereifte, nachvollziehbare Algorithmen

Deep Learning basierte Bildverarbeitung

Einsatzmöglichkeiten:

  • Erkennung von Elementen mit variierenden Formen und Größen
  • Klassifikation von komplexen Elementen und Strukturen
  • Erkennung bei variierenden Hintergründen
  • Erkennung bei wechselnden Lichtbedingungen
  • Texterkennung

Vorteile:

  • Robuste Einrichtung
  • Hohe Performance bei Erkennung komplexer Elemente
Framegrabber-basiertes Deep Learning: schnellste Inferenz & höchste Zuverlässigkeit

FPGA Framegrabber-basiertes Deep Learning: schnellste Inferenz & höchste Zuverlässigkeit

Beste Performance, schnellste Inferenz pro Sekunde, höchste Zuverlässigkeit - wenn Ihre Anwendung einen hohen Durchsatz erfordert, ist das FPGA Framegrabber-basierte Vision System für Deep Learning die richtige Wahl für Sie. Mit dem microEnable 5 marathon deepVCL von Silicon Software in Verbindung mit der FPGA-Konfigurationssoftware VisualApplets können Sie Ihr KNN mit wenigen Klicks auf FPGAs einsetzen.

Mehr über FPGA Framegrabber-basierte Systeme für Deep Learning

PC-basiertes Deep Learning: kurze Produktentwicklungszeit & niedrige Integrationskosten

Niedrige Integrationskosten und kurze Produktentwicklungszeit (Time-to-Market): PC-basierte Systeme punkten mit einfachem Design-In. Nutzen Sie unsere plug-and-play-fähige Hard- und Software, um Ihr PC-basiertes Deep Learning Vision System zu entwerfen. Dank unseres umfangreichen ace Kameraportfolios und der pylon Camera Software Suite kann Ihr KNN ohne großen Integrationsaufwand eingesetzt werden.

Mehr über PC-basierte Systeme für Deep Learning

Embedded Vision für Deep Learning

Embedded Vision für die kompaktesten und kostengünstigsten Deep Learning Lösungen

Die kompaktesten und kostengünstigsten Vision Systeme können mit Hilfe von Embedded Technologie entwickelt werden. Die Kombination aus Boardlevel-Kameras und Embedded Processing-Einheiten sorgt für niedrigste Stückkosten. Intelligente Edge-Geräte bieten schnelle Laufzeiten, geringe Latenzzeiten und mehr Datenschutz und Sicherheit. Von Kameramodulen über Konzeptstudien bis hin zu schlüsselfertigen Lösungen – wir kümmern uns um Ihr Embedded Vision System für Deep Learning.

Mehr über Embedded Vision Systeme für Deep Learning

Wünschen Sie sich mehr Informationen zum Thema Deep Learning?

Dann stöbern Sie in unserer Knowledge Base! In unseren White Papers erhalten Sie Expertenwissen, in den Product Insights stellen wir Ihnen ausgewählte für Deep Learning-Anwendungen geeignete Produkte vor, in unseren Use Cases und Customer Stories lernen Sie fiktive sowie reale Anwendungsbeispiele kennen und der Vision Campus-Bereich bietet Ihnen Basiswissen für den perfekten Einstieg in das Thema Deep Learning.

Neuronal Netze erobern Bildverarbeitung

Neuronal Netze erobern Bildverarbeitung

Deep Learning übernimmt mehr und mehr Aufgaben der klassischen Algorithmen-basierten Bildverarbeitung, denn der Ansatz führt bei vielen Anwendungen zu besseren Bildverarbeitungsergebnissen. Für einige Anwendungen eignen sich tiefe neuronale Netze wie Convolutional Neuronal Networks (CNN) besonders gut.

Product Insight lesen
Neuronale Netze auf FPGAs in der Industrie

Neuronale Netze auf FPGAs in der Industrie

Neuronale Netze wie Convolutional Neural Networks (CNN) auf FPGAs übernehmen in der Industrie klassische Bildverarbeitungsaufgaben. Sind diese ausschließlich, einfacher oder besser mit Deep Learning lösbar, verdrängt es die klassische Bildverarbeitung – besonders bei Störungen wie reflektierende Oberflächen.

Product Insight lesen
Deep Vision wird mit CNN Realität

Deep Vision wird mit CNN Realität

Für viele Vision Anwendungen reichen kleine neuronale Netze aus. Prozessoren wie FPGAs lassen sich daher für Convolutional Neural Networks (CNN) einsetzten. Es öffnet sich ein breites Anwendungsfeld weit über Klassifizierungsaufgaben hinaus und auch der Einsatz in Embedded Vision Systemen ist möglich.

Product Insight lesen
Automatisierung des Denkens – Chancen & Risiken

Automatisierung des Denkens – Chancen & Risiken

Weltweit werden Milliarden in den Einsatz Künstlicher Intelligenz (KI) in verschiedensten gesellschaftlichen Bereichen investiert. Gleichzeitig werden Gesetze, Normen und ethische Leitlinien für einen sinnvollen Umgang mit der Technologie erlassen – auch um den gesellschaftlichen Nutzen hervorzuheben.

Product Insight lesen
Schlaues Bezahlterminal mit KI-Software und Basler Kameras für den Einzelhandel

Schlaues Bezahlterminal mit KI-Software und Basler Kameras für den Einzelhandel

Basler hat ein automatisiertes Bezahlterminal für den Einzelhandel aus Embedded-Technologie und Software für Künstliche Intelligenz (KI) entwickelt. Es identifiziert und klassifiziert die Produkte in einem Einkaufskorb und zeigt die Preise an.

Use Case lesen

AI-basierte Bakterien-Klassifizierung mit einem Basler Embedded Vision System

In Diagnostik und Analytik halten Embedded-Technologien Einzug. Sie sind leistungsfähig, platzsparend und kostengünstig. Kombiniert mit einem Artificial Neuronal Network (ANN) lassen sich bspw. Bakterien in Sekundenbruchteilen klassifizieren.
Use Case Video ansehen

3D-Vision plus Deep Learning-Software für die automatisierte Früchteerkennung

3D-Vision plus Deep Learning-Software für die automatisierte Früchteerkennung

Basler hat mit der Firma Data Spree eine hochgenaue und robuste Echtzeitlösung für die Früchtesortierung entwickelt. Das Vision System basiert auf einer Basler blaze Time-of-Flight Kamera und einer Deep Learning-Plattform von Data Spree.

Read Use Case
Deep Learning in Aktion: Vision Sensor „at the Edge” mit Amazon Web Services

Deep Learning in Aktion: Vision Sensor „at the Edge” mit Amazon Web Services

Sie möchten einen Embedded Vision Sensor entwickeln, mit dem Sie Objekte erkennen und klassifizieren können? Basler hat dafür mit einem Deep Learning-Framework ein Convolutional Neural Network (CNN) aufgesetzt und nutzt es auf einem Embedded Device.

Use Case lesen
Was ist Deep Learning?

Was ist Deep Learning?

Begriffe wie Maschinelles Lernen, Deep Learning oder Künstliche Intelligenz (KI) begegnen uns in immer mehr Bereichen des täglichen Lebens. Was verbirgt sich dahinter, wie funktioniert das Ganze und was sind die Einsatzgebiete?

Vision Campus Artikel lesen

Wie lernen Maschinen?

Wie bringt man einer Maschine bei, selbstständig zu lernen? Wie wird aus einer Maschine mithilfe von neuronalen Netzen eine „intelligente“ Maschine und wofür können wir diese Künstliche Intelligenz (KI) nutzen?
Vision Campus Video ansehen

Benötigen Sie Hilfe?

Benötigen Sie Hilfe bei der Auswahl des richtigen Hardware-Systems für Ihre Deep Learning Anwendung?

Kontaktieren Sie uns!