MATLAB et Simulink pour la vision embarquée

Concevoir et déployer des applications de traitement d’images et de Computer Vision dans des systèmes embarqués

Qu'est-ce que la vision embarquée ?

La vision embarquée implique l'application du traitement d’images et de la Computer Vision aux systèmes embarqués. Le processus de développement de la vision embarquée comporte, entre autres, la conception d'algorithmes, la modélisation du système, la collaboration et le déploiement d'algorithmes de vision. 

Les ingénieurs utilisent MATLAB® et Simulink® pour développer des systèmes de traitement d'images et de Computer Vision, et les déployer sur un dispositif embarqué. Avec MATLAB et Simulink, vous pouvez :

Vision embarquée avec MATLAB et Simulink.
La durée de la vidéo est de 2:43.
Vision embarquée avec MATLAB et Simulink

Générer du code pour les plateformes hardware cibles

Cibler des CPU

Utilisez MATLAB Coder™ pour générer du code C et C++ pour les algorithmes de vision développés dans MATLAB. Intégrez des bibliothèques optimisées, par exemple la bibliothèque ARM® Compute Library pour les architectures ARM et la bibliothèque MKL-DNN pour les CPU Intel®.

Génération d'un exécutable pour le prototypage avec MATLAB Coder (2:57)
Mise au point d'applications de vision embarquée avec MATLAB et NXP Vision Toolbox pour S32V (24:58)
Inférence de Deep Learning pour la détection d'objets sur Raspberry Pi (2:04)
Inférence de détection de défauts sur ARM Cortex-A depuis MATLAB.
La durée de la vidéo est de 4:37.
Inférence de détection de défauts sur ARM Cortex-A depuis MATLAB

Cibler des GPU

Utilisez GPU Coder™ pour la génération optimisée de code CUDA, depuis MATLAB, utilisable pour le prototypage sur des plateformes hardware GPU, notamment NVIDIA® Jetson™ et DRIVE™.

Génération de code CUDA à partir du code MATLAB (3:42)
Détection de piétons sur des GPU NVIDIA avec TensorRT (1:34)
Intégration du Deep Learning dans votre algorithme de contrôle dans Simulink (1:54)
Déploiement d'un réseau de Deep Learning sur NVIDIA Jetson avec GPU Coder.
La durée de la vidéo est de 3:19.
Déploiement d'un réseau de Deep Learning sur NVIDIA Jetson avec GPU Coder

Cibler un FPGA ou un ASIC

Utilisez HDL Coder™ pour générer du code Verilog et VHDL à partir d'algorithmes de vision conçus avec Simulink et Vision HDL Toolbox pour les plateformes FPGA et ASIC.

Qu'est-ce que Vision HDL Toolbox ? (1:43)
Traitement d'images pour FPGA (5 Vidéos)
Conception d’une détection de coins avec Vision HDL Toolbox (7:28)
Utilisation de Xilinx Zynq avec Computer Vision Toolbox.
La durée de la vidéo est de 4:37.
Utilisation de Xilinx Zynq avec Computer Vision Toolbox

Test et vérification

Effectuez du prototypage rapide et, des simulations processor-in-the-loop (PIL) et hardware-in-the-loop (HIL) avec HDL Verifier™, Simulink Real-Time™, Embedded Coder® et Simulink Desktop Real-Time™ pour tester et vérifier de manière efficace le code généré.

Intégration de MATLAB et C/C++, partie 2 : visualisation et test du code C/C++ (15:49)
FPGA-in-the-Loop avec PCI Express Xilinx KC705 (2:52)
Vérifier le code VHDL vis à vis des modèles Simulink avec HDL Verifier
Tests unitaires de votre code généré avec MATLAB Coder.
La durée de la vidéo est de 2:58.
Tests unitaires de votre code généré avec MATLAB Coder

Connexion au matériel embarqué et déploiement

Choisissez parmi plusieurs hardware support packages pour des dispositifs embarqués populaires afin de faciliter la réception et l'envoi de données réelles entre MATLAB and Simulink. Générez automatiquement des exécutables à partir de vos algorithmes pour les utiliser sur des plateformes hardware embarquées.

Support hardware pour l'acquisition d'images
GPU Coder Support Package for NVIDIA GPUs
Support package GPU Coder pour GPU NVIDIA
Computer Vision System Toolbox Support Package for Xilinx Zynq -Based Hardware
Déployer le design d'un détecteur de coins sur un FPGA .
La durée de la vidéo est de 5:36.
Déployer le design d'un détecteur de coins sur un FPGA

Incorporer des logiciels tiers dans un processus collaboratif

Incorporez des outils logiciels tiers, des bibliothèques, des environnements, ainsi que des langages comme Python®, OpenCV, et TensorFlow™ dans votre processus de développement basé sur MATLAB et Simulink pour supporter la collaboration, l'intégration dans des projets existants et la réutilisation du code.

OpenCV Interface for MATLAB
OpenCV Interface for Simulink
Interface OpenCV pour MATLAB
Interface OpenCV pour Simulink
Intégrer MATLAB avec du C/C++ - Importer des modèles TensorFlow Keras dans MATLAB (5 Vidéos)
Utiliser OpenCV avec MATLAB.
La durée de la vidéo est de 10:19.
Utiliser OpenCV avec MATLAB

Applications de vision embarquée dans le monde réel

Découvrez comment les utilisateurs de MATLAB et Simulink ont développé et déployé des systèmes de vision embarquée dans le monde réel

Conduite autonome

Continental utilise MATLAB pour automatiser l'apprentissage de différents types de panneaux de signalisation, accéder à des bases de données, générer des échantillons de signaux synthétiques, générer du code, contrôler et évaluer l'apprentissage de classificateurs en utilisant des applications interactives.

Conduite autonome

Robotique

Les ingénieurs de Clearpath Robotics utilisent MATLAB pour le prototypage d'algorithmes, l'analyse et la visualisation de données dans le cadre de la recherche et du développement en robotique industrielle.

Robotique

Imagerie médicale

Infraredx utilise MATLAB et Simulink afin d'accélérer le développement de FPGA pour les systèmes d'imagerie intravasculaire.

Imagerie médicale
Autres témoignages d'utilisateurs sur les applications de vision embarquée dans le monde réel

Version d'essai gratuite de 30 jours

En savoir plus