近年来，机器视觉系统越来越多地基于可变条件进行自动化决策。开发这些系统所需的时间和精力可能会让人望而却步。而的出现正在改变这一局面，并使自动化决策触手可及。开源库、Nvidia硬件和FLIR相机等资源正在帮助实现这一变化。

走进

“一张图片胜过千言万语”这句话在机器视觉领域里从未像今天这样真实。机器视觉可以将数千甚至数百万行代码用简单地经过图片和少量编码训练后的的神经网络所代替。

是一种机器学习形式，它使用在输入和输出节点之间有许多“深层”层的神经网络。通过在大数据集上训练网络，可以创建一个模型，用于根据输入数据进行准确预测。在用于深度学习的神经网络中，每一层的输出都被反馈到下一层的输入。通过改变层之间连接的权重来迭代优化模型。在每个周期中，对模型预测准确性的反馈用于指导连接权重的变化。

深度学习有多个不同权重的神经元“层”帮助神经网络做出决策。深度学习可以分为训练和推断两个阶段。

在训练阶段，通过确定神经元和神经网络层的数量，并使之接触已被标签化的训练数据。有了这些数据，神经网络就可以自己学习什么是“好”或“坏”。例如，进行水果分级时 ，先向神经网络展示标有“A级”、“B级”、“C级”等标签的水果图像，然后神经网络计算出每个等级的特性；比如大小、形状、颜色、颜色的一致性等等。我们不需要手动定义这些特征，甚至不需要大小程度进行编程，神经网络将会自行训练。训练阶段完成后，便获得经过训练的神经网络。

使用某一神经网络对新图像进行评估以做出决策的过程称为推断。当向训练过的神经网络呈现一个新的图像时，它会提供一个推断（即答案）：例如“A级，可信度为95%。”

深度学习是系统设计者快速自动化复杂和主观决策、提供更高质量产品和提高生产力的强大工具。部署深度学习神经网络的一项值得关注的优势在于它允许通过少量硬件和处理功率在边缘作出复杂决定——低成本 ARM 或 FPGA 基础系统和全新推断工业相机，如 FLIR  可以做到。

使用Neuro技术将经过训练的神经网络部署到FLIR的上，并通过在没有主机的情况下在相机上做出决策来降低系统成本和复杂性。Firefly DL相机体积小、重量轻、功耗低，是嵌入移动、桌面和手持系统的理想选择。

主要特征

深度学习加快部署&新的可能性：通过深度学习快速开发和部署具有挑战性的自动化问题的准确解决方案。相机上的深度学习推理：通过将经过培训的网络部署到Firefly DL相机，减少系统成本和复杂性，从而无需使用主机系统执行分类任务。非常适合嵌入紧凑型便携式设备：27mm×27mm×14mm的小包装，仅2W功耗和20g重量。

光谱范围

目前，Firefly DL系列工业相机根据镜头接口划分6个型号，FFY-U3-16S2-DL的感光光谱有彩色和黑白。

应用领域

边缘推理；摄像头质量检查；目标检测和跟踪；无人机与机器人防撞。