ZHCACX6 july   2023 AM62A3 , AM62A7

 

  1.   1
  2.   摘要
  3.   商标
  4. 1引言
    1. 1.1 缺陷检测演示摘要
    2. 1.2 AM62A 处理器
    3. 1.3 缺陷检测系统
    4. 1.4 传统机器视觉与深度学习
  5. 2数据集准备
    1. 2.1 测试样片
    2. 2.2 数据搜集
    3. 2.3 数据注释
    4. 2.4 数据增强
  6. 3模型选择和训练
    1. 3.1 模型选择
    2. 3.2 模型训练与编译
  7. 4应用开发
    1. 4.1 系统流程
    2. 4.2 物体跟踪器
    3. 4.3 仪表板和边界框绘图
    4. 4.4 物理演示设置
  8. 5性能分析
    1. 5.1 系统精度
    2. 5.2 帧速率
    3. 5.3 内核利用率
    4. 5.4 功耗
  9. 6总结
  10. 7参考文献

1.4 传统机器视觉与深度学习

传统机器视觉中的缺陷检测采用基于规则的算法。此类系统需要让图像处理方面的专家直接参与，定义一组规则来开发应用特定的算法。这些算法通常由多个经典特性检测器和一系列条件决策组成。规则的一些示例可能包括某些特性之间存在特定形状或维度关系。嵌入式系统工程师必须根据所需的系统对算法进行编程。这个过程耗时数月。另一方面，可以使用相应的数据集轻松训练深度学习模型，无需指定特性或规则。经过训练的模型可以轻松移植到所需的嵌入式系统。TI 提供了一套工具 (Edge AI Studio)，用于对深度学习模型进行训练、编译和基准测试。

表 1-1 基于规则的传统机器视觉系统与采用 TI Edge AI 的深度学习之间的比较。
基于规则的传统系统 采用 TI Edge AI 的深度学习
需要图像处理专业知识 几乎不需要任何深度学习经验，即可使用 Edge AI Studio 来训练模型
需要特定于硬件的算法编程专业知识 可直接将模型导入 AM62A
算法是应用特定的 TI EdgeAI-ModelZoo 提供数百种模型，可轻松针对不同应用进行重新训练
开发时间较长 开发时间较短
通常需要通用处理器 可将模型负载分流到 C7x/MMA 深度学习加速器
与深度学习相比，需要更少的计算资源 与基于规则的系统相比，需要更多的计算资源
与深度学习相比，需要更小的数据集 需要更大的数据集来训练模型
通常用于执行更简单的任务，如物体跟踪 用于执行更复杂的任务，如物体检测和语义分割
对照明条件和摄像头角度等环境变化的适应能力较弱 适应环境变化的能力较强
开发后难以更新和调优 可以使用 Edge AI Studio 轻松地对模型进行重新训练