Możliwości przetwarzania sekwencji wizyjnych w systemach wbudowanych

• Autorzy: Suder Jakub

Identyfikatory

DOI

10.15199/48.2022.01.41

Warianty tytułu

EN

Possibilities of processing video sequences in embedded systems

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono wyniki badań eksperymentalnych procesu segmentacji sekwencji wizyjnych z wykorzystaniem systemów wbudowanych. Przetestowano wydajność rozwiązań opartych o mikrokomputer Raspberry Pi 4B oraz platformę Nvidia Jetson Nano pod kątem możliwości ich implementacji w platformie pomiarowej do automatycznego badania jakości działania lamp lotniskowych. Porównano szybkość przetwarzania dla różnych rozdzielczości obrazu oraz wymagania związane z zasilaniem modułów.

EN

The article presents the results of experimental research on the video segmentation process using two different embedded systems. The performance of solutions based on the Raspberry Pi 4B microcomputer and the Nvidia Jetson Nano platform was tested for the possibility of their implementation in a measurement platform for automatic testing of the quality of airport lamps. The processing speed for different image resolutions and the module power requirements were compared.

Słowa kluczowe

PL

system wizyjny; system wbudowany; przetwarzanie obrazu; analiza wydajności

EN

vision system; embedded system; image processing; performance analysis

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 1
• Strony: 188--191
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Suder Jakub

• Politechnika Poznańska, Instytut Automatyki i Robotyki, Zakład Układów Elektronicznych i Przetwarzania Sygnałów, ul. Jana Pawła II 24, 60-965 Poznań

• https://orcid.org/0000-0002-3156-0639

Bibliografia

• [1] Arshad N. M., Razak N. A., Vision-based detection technique for effective line-tracking autonomus vehicle, IEEE 8th International Colloquium on Signal Processing and its Applications, 2012, pp. 441-445, doi: 10.1109/CSPA.2012.6194765
• [2] Barua B., Gomes C., Baghe S., Sisodia J., A Self-Driving Car Implementation using Computer Vision for Detection and Navigation, 2019 International Conference on Intelligent Computing and Control Systems (ICCS), 2019, pp. 271-274, doi: 10.1109/ICCS45141.2019.9065627
• [3] Podbucki K., Suder J., Marciniak T., Dąbrowski A., CCTV based system for detection of anti-virus masks, 2020 Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA), 2020, pp. 87-91, doi: 10.23919/SPA50552.2020.9241303
• [4] Podbucki K., Suder J., Marciniak T., Dąbrowski A., Elektroniczna matryca pomiarowa do badania lamp lotniskowych, Przegląd Elektrotechniczny, No. 02/2021, pp. 47- 51, doi: 10.15199/48.2021.02.12
• [5] Suder J., Maciejewski P., Podbucki K., Marciniak T., Dąbrowski A., Platforma pomiarowa do badania jakości działania lamp lotniskowych, Pomiary Automatyka Robotyka, R. 23, No. 2/2019, pp. 5-13, doi: 10.14313/PAR_232/5
• [6] Suder, J.; Podbucki, K.; Marciniak, T.; Dąbrowski, A. Low Complexity Lane Detection Methods for Light Photometry System. Electronics 2021, 10, 1665. https://doi.org/10.3390/electronics10141665
• [7] Certification Specifications (CS) and Guideline Material (GM) for Aerodrome Design Edition 3, Annex to Decision No. 2016/027/R of the EASA Executive Director, European Aviation Safety Agency, 2016
• [8] Warden P., Situnayake D., TinyML: Machine learning with TensorFlow Lite on Arduino and ultra-low power microcontrollers, O'Reilly Media, 2020
• [9] Raspberry Pi 4, 3A+, Zero W - specs, benchmarks & thermal tests, available online: https://magpi.raspberrypi.org/articles/raspberry-pi-specsbenchmarks
• [10] Vijitkunsawat W., Chantngarm P., Comparison of Machine Learning Algorithm’s on Self-Driving Car Navigation using Nvidia Jetson Nano, 2020 17th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), 2020, pp. 201-204.
• [11] Jain A. K., Working model of Self-driving car using Convolutional Neural Network, Raspberry Pi and Arduino, 2018 Second International Conference on Electronics, Communication and Aerospace Technology (ICECA), 2018, pp. 1630-1635.
• [12] Çıvık E., Yüzgeç U., Deep Learning Based Continuous Real- Time Driver Fatigue Detection for Embedded System, 2020 28th Signal Processing and Communications Applications Conference (SIU), 2020, pp. 1-4.
• [13] Süzen A. A., Duman B., Şen B., Benchmark Analysis of Jetson TX2, Jetson Nano and Raspberry PI using Deep-CNN, 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), 2020, pp. 1-5.
• [14] Sun Z., Vision Based Lane Detection for Self-Driving Car, 2020 IEEE International Conference on Advances in Electrical Engineering and Computer Applications (AEECA), 2020, pp. 635-638.