Sommaire
Il est vrai qu’on ne peut pas juger du goût d’une pomme à son apparence. Cependant, une seule pomme meurtrie émet de l’éthylène, ce qui peut réduire considérablement la durée de conservation des fruits environnants. Le résultat est que la chaîne d’approvisionnement agricole pose un défi intéressant et de plus en plus pressant pour la vision artificielle. Si la pomme convient mieux à la tarte aux pommes de maman ou à la compote de pommes de grand-mère, elle peut être triée avec précision pour la même chose, tout en garantissant la longévité des fruits destinés au rayon des produits de votre supermarché local.
Ce concept est-il nouveau ? Pas vraiment. Les premières machines de tri de produits électro-optiques sont arrivées sur le marché dans les années 1930, et le domaine de la vision par ordinateur classique remonte aux années 1950. La vision par ordinateur traditionnelle nous a donné des techniques clés telles que la détection des contours, le flux optique, SIFT et SURF qui continuent de fournir des performances optimales dans de nombreuses applications. De plus, il est également vrai que les poids du noyau de convolution ont été fabriqués à la main pour extraire des caractéristiques visuelles importantes bien avant que les CNN de formation ne deviennent à la mode.
Cependant, l’utilisation de matériel adaptable pour l’accélération de ces fonctions est une proposition de valeur qui reste unique à Xilinx. Alors que de nombreuses applications exploitent aujourd’hui des techniques d’apprentissage profond telles que la segmentation, la classification et la détection, il reste encore une place très importante pour ces algorithmes de vision classiques. Rejoignez-nous pour découvrir comment les SOM Kria et les bibliothèques de vision Vitis peuvent vous aider à accélérer et à augmenter l’intelligence de pointe avec une version adaptable et accélérée de la vision par ordinateur classique.
