530 Physik
Refine
Document Type
- Article (3)
Has Fulltext
- yes (3)
Is part of the Bibliography
- no (3)
Keywords
Institute
- Physik (3)
The development of a non- destructive measurement method for ion beam parameters has been treated in various projects. Although results are promising, the high complexity of beam dynamics has made it impossible to implement a real time process control up to now. In this paper we will propose analysing methods based on the dynamics of Cellular Nonlinear Networks (CNN) that can be implemented on pixel parallel CNN based architectures and yield satisfying results even at low resolutions.
Bei intelligenten Sensoren soll die Aufnahme von Signalen und deren, zumindest teilweise durchgeführte, Verarbeitung mit einer einzigen Anordnung erfolgen. Dazu steht häufig eine elektronische Schaltung zur Verfügung, die allerdings zur Einhaltung von Echtzeitbedingungen nur für eine relativ einfache Signalverarbeitung verwendet werden kann. Einen möglichen Ausweg bildet die Verwendung parallel arbeitender Rechnersysteme. In dieser Hinsicht sind programmierbare Schaltungen mit z.B. optischen Sensor-Anordnungen besonders interessant, die auf Zellularen Nichtlinearen Netzwerken basieren. Derartige miniaturisierte Systeme eröffnen aufgrund ihrer zellularen Architektur neue Möglichkeiten zur Signalverarbeitung mit einem Leistungsvermögen, das im Bereich von Tera-Operationen pro Sekunde liegt. Für viele aktuelle Problemstellungen wäre es von Vorteil, wenn diese zellularen Systeme eigenständig Parameteradaptionen durchführen könnten. Eingangssignale, die beispielsweise über die vorhandenen optischen Sensoren aufgenommen werden, führten dann zu einer Neuberechnung bzw. Anpassung der Netzwerksparameter. Aufgrund der beachtlichen Leistungsfähigkeit solcher Schaltungen wäre damit die Möglichkeit gegeben, eine adaptive Signalverarbeitung bei zeitlich veränderlichen Problemen vorzunehmen. In diesem Beitrag wird die Implementierung und Analyse von Lernverfahren auf dem EyeRIS™ System, das einen zellularen Prozessor ACE16kv2™ mit 128×128 Zellen enthält, zur adaptiven Parameterbestimmung betrachtet. Anhand verschiedener Problemstellungen aus dem Bereich der Bildverarbeitung werden unterschiedliche Lernverfahren verglichen und deren Leistungsfähigkeit untersucht.
Obstacle detection is an important part of Video Processing because it is indispensable for a collision prevention of autonomously navigating moving objects. For example, vehicles driving without human guidance need a robust prediction of potential obstacles, like other vehicles or pedestrians. Most of the common approaches of obstacle detection so far use analytical and statistical methods like motion estimation or generation of maps. In the first part of this contribution a statistical algorithm for obstacle detection in monocular video sequences is presented. The proposed procedure is based on a motion estimation and a planar world model which is appropriate to traffic scenes. The different processing steps of the statistical procedure are a feature extraction, a subsequent displacement vector estimation and a robust estimation of the motion parameters. Since the proposed procedure is composed of several processing steps, the error propagation of the successive steps often leads to inaccurate results. In the second part of this contribution it is demonstrated, that the above mentioned problems can be efficiently overcome by using Cellular Neural Networks (CNN). It will be shown, that a direct obstacle detection algorithm can be easily performed, based only on CNN processing of the input images. Beside the enormous computing power of programmable CNN based devices, the proposed method is also very robust in comparison to the statistical method, because is shows much less sensibility to noisy inputs. Using the proposed approach of obstacle detection in planar worlds, a real time processing of large input images has been made possible.