{"id":779,"date":"2019-03-06T13:00:00","date_gmt":"2019-03-06T13:00:00","guid":{"rendered":"https:\/\/framos.com\/articles\/vision-insights-fuer-jede-drohne-das-richtige-vision-system\/"},"modified":"2025-08-01T08:37:59","modified_gmt":"2025-08-01T08:37:59","slug":"vision-insights-finding-the-right-vision-system-for-every-drone","status":"publish","type":"articles","link":"https:\/\/framos.com\/de\/fachartikel\/vision-insights-finding-the-right-vision-system-for-every-drone\/","title":{"rendered":"Vision Einblicke: Das richtige Bildverarbeitungssystem f\u00fcr jede Drohne finden"},"content":{"rendered":"\n
\n
\"Frederik-Sch-nebeck\"<\/figure>\n\n\n\n

Von kleinen Sensormodulen bis hin zu k\u00fcnstlicher Intelligenz – es gibt verschiedene Technologien und Bildverarbeitungsalgorithmen, die es Drohnen erm\u00f6glichen, zu sehen. Jede Anwendung stellt andere Anforderungen an das Bildverarbeitungssystem und ist abh\u00e4ngig von dem verf\u00fcgbaren Platz in der Drohne und der gew\u00fcnschten Bildqualit\u00e4t. Dr. Frederik Sch\u00f6nebeck<\/strong> von FRAMOS sprach auf der VDI-Konferenz zum Thema \u201eZivile Drohnen im industriellen Einsatz\u201c<\/strong> und beschrieb die Kriterien f\u00fcr Anwendungen in den Bereichen Kartierung, Objekterkennung und Navigation sowie die Bedeutung der k\u00fcnstlichen Intelligenz f\u00fcr Drohnen. <\/p>\n<\/blockquote>\n\n

Ein Vision System ist ein Bildverarbeitungssystem und besteht in den meisten F\u00e4llen aus einem Bildsensor, einem Prozessormodul, einer Objektivhalterung und einem Objektiv. F\u00fcr Drohnen muss das Bildverarbeitungssystem besonders klein und leicht sein. Es muss die Flugleistung kaum beeintr\u00e4chtigen. Dar\u00fcber hinaus sind eine hohe Energieeffizienz und eine geringe W\u00e4rmeentwicklung wichtig, da in der Regel nur eine begrenzte Stromversorgung an Bord ist und jede Beanspruchung dieser Stromversorgung die Flugdistanz der Drohnen beeintr\u00e4chtigt. Reine Bild- und Videostreams, bei denen die Drohne keine weiteren Aktionen aus der Szene ableitet, werden als nicht-funktionale Anwendungen bezeichnet. Funktionale Anwendungen hingegen nutzen diese Bilder aus dem Bildverarbeitungssystem, um zur Kollisionsvermeidung zu navigieren oder um Tracking-basierte Folgeaktionen einzuleiten. Durch den Einsatz von Bildverarbeitungstechnologie sind funktionale Drohnen intelligenter und meist autonom. In beiden F\u00e4llen muss die Bildqualit\u00e4t eine genaue Analyse erm\u00f6glichen und f\u00fcr funktionale Aufgaben m\u00fcssen diese Bilder an Bord in Echtzeit verarbeitet werden. Die Kombination der Kriterien Gr\u00f6\u00dfe, Gewicht, Effizienz, Bildqualit\u00e4t und Verarbeitung, um nur einige zu nennen, ist eine gro\u00dfe Herausforderung, selbst f\u00fcr eingebettete Bildverarbeitungsanwendungen, und erfordert daher eine sorgf\u00e4ltige Auswahl und Kombination der einzelnen Komponenten. <\/p>\n\n

UAVs stellen hohe Anforderungen an integrierte Vision- und Bildsensoren<\/strong><\/h3>\n\n

Der am besten geeignete Bildsensor f\u00fcr Drohnen und eingebettete Bildverarbeitungssysteme ist ein CMOS-Sensor. Dieser neue Industriestandard erreicht aufgrund seiner Architektur h\u00f6here Geschwindigkeiten und eine bessere Bildqualit\u00e4t als seine CCD-Pendants, ist aber gleichzeitig deutlich kleiner. Entwickler k\u00f6nnen je nach Anwendungsbedarf zwischen Global Shutter- und Rolling Shutter-Auslesung w\u00e4hlen. Bei einem Global Shutter (GS) werden alle Pixel gleichzeitig belichtet, so dass die Bewegung im Bild praktisch eingefroren wird und somit die Bewegungsunsch\u00e4rfe oder Verzerrung auf den Bildern reduziert wird. GS-Sensoren eignen sich daher f\u00fcr die Aufnahme von Bildern in Hochgeschwindigkeitsanwendungen mit vielen Bewegungen. Das komplexe Pixeldesign f\u00fchrt jedoch zu gr\u00f6\u00dferen Pixeln und damit zu gr\u00f6\u00dferen Sensorabmessungen und h\u00f6heren St\u00fcckkosten. <\/p>\n\n

Bei einem Rolling Shutter (RS) werden die Pixelreihen nacheinander belichtet, was bei Bewegungen zu Artefakten im Bild f\u00fchren kann. Das Design von RS-Sensoren ist weniger komplex, was zu einer h\u00f6heren Empfindlichkeit f\u00fchrt und sie im Vergleich zu Global Shutters zu kleineren und weniger teuren Sensoren macht. Drohnenentwickler sollten alle Vor- und Nachteile dieser Sensoren sorgf\u00e4ltig abw\u00e4gen, wenn sie einen Sensor f\u00fcr ihr System ausw\u00e4hlen. <\/p>\n\n

\n

\u201eEin gr\u00f6\u00dferer Sensor bedeutet immer auch die Verwendung eines gr\u00f6\u00dferen Objektivs und eines gr\u00f6\u00dferen Gesamtsystems. Das wirkt sich auf das Gewicht, den Preis und den Stromverbrauch aus – alles wichtige Merkmale bei der Entwicklung von Drohnen. Die Vorteile und Kosten m\u00fcssen genau gegen die Anforderungen der Anwendung abgewogen werden\u201c, sagt Frederik Sch\u00f6nebeck.<\/p>\n<\/blockquote>\n\n

\n\n

Notiz<\/em><\/strong>: Bewegungsartefakte, die durch den Rolling Shutter verursacht werden, k\u00f6nnen den SLAM-Algorithmus und damit die Posensch\u00e4tzung einer Drohne beeintr\u00e4chtigen. Diese St\u00f6rungen k\u00f6nnen durch die Interaktion des Bildsensors mit den Daten eines IMU-Sensors (Inertial Measurement Unit) minimiert werden. Die Verschmelzung von Bilddaten mit IMU-Daten hat den zus\u00e4tzlichen Vorteil, dass sie der Drohne bessere Positionsinformationen im dreidimensionalen Raum liefert, was zu einem stabileren und sichereren Flugverhalten f\u00fchrt. Mehr dazu erfahren Sie in dem FRAMOS Artikel „F\u00fcr Drohnen f\u00fchrt die Kombination von Bildsensor- und IMU-Daten zu einer robusteren Posensch\u00e4tzung“. <\/em><\/em><\/p>\n\n

\n\n

Anwendungsbeispiel: Mapping<\/strong><\/h3>\n\n

Mapping-Anwendungen verwenden Drohnen, um hochaufl\u00f6sende Karten zu erstellen. Sie fliegen in der Regel in gro\u00dfer H\u00f6he \u00fcber das zu kartierende Gebiet. Bildverarbeitungssysteme f\u00fcr Kartierungsdrohnen m\u00fcssen sehr hohe Aufl\u00f6sungen bieten, wobei die Bildqualit\u00e4t das wichtigste Kriterium ist, manchmal sogar gleichzeitig in mehreren Frequenzb\u00e4ndern. <\/p>\n\n

Gro\u00dfformatige Sensoren mit Aufl\u00f6sungen von 50 bis 150 Megapixeln und einem Dynamikbereich von >74dB bieten eine sehr gute Bildqualit\u00e4t und eignen sich besonders f\u00fcr Mapping-Anwendungen.<\/p>\n\n

\"Mittelformat-Sensoren\"\/<\/figure>\n\n

Abbildung 1: Sensorformate und die zugeh\u00f6rigen Bildformate<\/em><\/p>\n\n

Ein gro\u00dfer Sensor mit hoher Aufl\u00f6sung bietet den Vorteil, dass ein gr\u00f6\u00dferer Bereich mit einer Aufnahme erfasst werden kann. Dies erm\u00f6glicht einen schnelleren \u00dcberflug und eine effizientere Vermessung. <\/p>\n\n

\"Aufnahmegebiet\"\/Abbildung 2: Aufnahmebereich verschiedener Sensoraufl\u00f6sungen bei gleicher Bildqualit\u00e4t<\/em><\/p>\n\n

Die Drohne kartiert die Erdoberfl\u00e4che aus gro\u00dfer H\u00f6he, so dass die relative Geschwindigkeit, mit der sich die Drohne \u00fcber der Erde bewegt, gering ist. Die daraus resultierenden Bewegungsartefakte im Bild sind minimal und k\u00f6nnen bei Bedarf durch einen mechanischen Verschluss vollst\u00e4ndig eliminiert werden. In vielen F\u00e4llen reicht ein kosteng\u00fcnstiger Rolling-Shutter-Sensor f\u00fcr Kartierungsdrohnen aus. Aber die gro\u00dfen Sensoren erfordern gro\u00dfe Objektivfassungen und Objektive. Bei solch hochaufl\u00f6senden Anwendungen ben\u00f6tigt das gesamte Bildverarbeitungssystem eine gr\u00f6\u00dfere Grundfl\u00e4che und einen gr\u00f6\u00dferen Einbauraum innerhalb der Drohnenkonstruktion sowie Platz f\u00fcr eine mechanische Bildstabilisierung, Objektivstabilisatoren, einen Gimbal oder \u00e4hnliche Kompensationsmethoden. <\/p>\n\n

\n

Dr. Frederik Sch\u00f6nebeck sagt: \u201eIm Grunde handelt es sich bei den Kartierungsanwendungen von Drohnen um fortschrittliche Messsysteme, die eine pr\u00e4zise Bildverarbeitung nutzen.\u201c<\/p><\/blockquote>\n<\/div>\n\n

Um Zeit zu sparen und eine gute Grundlage f\u00fcr die Kartierung des Bodens zu schaffen, werden die aufgenommenen Bilder vorzugsweise \u00fcber FPGA-Prozessoren an Bord der Drohne vorverarbeitet. Die Entwickler m\u00fcssen eine leistungsf\u00e4hige Prozessorarchitektur und eine ausreichende Speicherkapazit\u00e4t bereitstellen, um diese gro\u00dfe Datenmenge zu speichern. Die endg\u00fcltige Verarbeitung erfolgt dann offline nach dem Flug der Drohne. Dementsprechend ben\u00f6tigt das Bildverarbeitungssystem keine mobile Daten\u00fcbertragung. Um eine h\u00f6here Genauigkeit und zus\u00e4tzliche Messdaten zu generieren, koppeln Kartierungsdrohnen h\u00e4ufig Lidarsysteme mit ihrem Sichtsystem. Diese Kombinationen und Schnittstellen erh\u00f6hen die Komplexit\u00e4t von Designs und Architekturen, die bei der Zeit- und Ressourcenplanung ber\u00fccksichtigt werden m\u00fcssen. <\/p>\n\n

Anwendungsbeispiel: Video-\u00dcberwachung<\/strong><\/h3>\n\n

Drohnen sind die neue Normalit\u00e4t in der \u00dcberwachung und Sicherheit. Sie erm\u00f6glichen die Beobachtung und Inspektion von schwer zug\u00e4nglichem Terrain und weitl\u00e4ufigen Gebieten und sind dabei unauff\u00e4llig und mobil. Videostreaming ist daher eine der h\u00e4ufigsten Anwendungen f\u00fcr Drohnen. Die unbemannten Flugobjekte m\u00fcssen klein sein und im wahrsten Sinne des Wortes Augen haben. <\/p>\n\n

Wichtige Faktoren bei der Entwicklung von \u00dcberwachungsdrohnen mit Video-Streaming sind Gr\u00f6\u00dfe, Gewicht und Kosten. \u00dcblicherweise werden Sensoren mit Aufl\u00f6sungen zwischen 1 und 10 Megapixeln gew\u00e4hlt, mit einem optischen Format von maximal 4\/3 Zoll oder kleiner. Zus\u00e4tzlich zum Sensor, den Objektivanschl\u00fcssen (M12 bis 4\/3 Zoll) und dem Objektiv sind die \u00dcberwachungsdrohnen in der Regel mit einem anwendungsspezifischen ISP ausgestattet. Die Drohne wertet die \u00dcberwachungsbilder in Echtzeit aus und kann in funktionalen Systemen Folgeaktionen einleiten. <\/p>\n\n

\n

\u201eF\u00fcr eine qualitativ hochwertige Bildanalyse und -auswertung, insbesondere bei schlechten Lichtverh\u00e4ltnissen oder im 24-Stunden-Betrieb, erfordern Echtzeitanwendungen im Sicherheits- und \u00dcberwachungsbereich Sensoren mit einem hohen Dynamikbereich und hohen Bildraten\u201c, so Sch\u00f6nebeck.<\/p><\/blockquote>\n<\/div>\n\n

Dar\u00fcber hinaus sind bei \u00dcberwachungsdrohnen die wichtigsten Kriterien f\u00fcr die Auswahl des Sensors gro\u00dfe Pixel mit einer hohen Full-Well-Kapazit\u00e4t, HDR-Modi und ein niedriges Signal-Rausch-Verh\u00e4ltnis. Au\u00dferdem kann der Dynamikbereich f\u00fcr einen h\u00f6heren Kontrast und sch\u00e4rfere Bilder erh\u00f6ht werden, ohne dass Bewegungsartefakte in das Bild gelangen. Spezielle \u00dcberwachungssensoren, wie der IMX294 von Sony mit seiner Quad-Bayer-Struktur, geben im normalen Modus 2×2 Pixel aus, so dass vier Pixel zu einem „Superpixel“ f\u00fcr einen h\u00f6heren Dynamikbereich kombiniert werden k\u00f6nnen. Im HDR-Modus werden zwei Pixel dieses Quad-Arrays mit einer kurzen Belichtungszeit integriert, w\u00e4hrend die anderen beiden Pixel eine lange Belichtungszeit haben (Abb. 3). Dadurch wird die zeitliche Trennung zwischen der kurzen und der langen Belichtungszeit aufgehoben, so dass HDR-Bilder von bewegten Objekten mit minimalen Artefakten erzeugt werden k\u00f6nnen (Abb. 4). <\/p>\n\n

\"Abb1_Bayer-Quad_ENCsHRyVbIzqRG9\"\/<\/figure>\n\n

Abbildung 3: Quad-Bayer-Pixelstruktur im normalen und HDR-Modus<\/em><\/p>\n\n

\"Abb2_HDR-Pic_ENj8SVMpIcdfoqe\"\/Abbildung 4: Das Quad-Bayer HDR-Bild zeigt nur wenige Artefakte<\/em><\/p>\n\n

F\u00fcr die \u00dcberwachung bei Nacht k\u00f6nnen zus\u00e4tzliche Funktionen, wie z.B. eine in das Bildverarbeitungssystem integrierte Infrarotbeleuchtung, die Bilderfassung und -erkennung verbessern. Wenn in der Anwendung viele Richtungs\u00e4nderungen oder Beschleunigungskr\u00e4fte auftreten, m\u00fcssen zus\u00e4tzliche Optionen zur mechanischen, optischen oder elektronischen Bildstabilisierung in Betracht gezogen werden. Wenn die Beseitigung von Bewegungsartefakten eines der Hauptkriterien in einer Anwendung ist, sollte von Anfang an ein Sensor mit einem Global Shutter gew\u00e4hlt werden. F\u00fcr die Videokodierung empfiehlt Sch\u00f6nebeck die H.264 \/ H.265-Kodierung f\u00fcr Drohnen. Die Kodierung komprimiert die Bilddaten mit minimalem Qualit\u00e4tsverlust. Dies erfordert weniger Speicherplatz auf dem Speichermedium oder eine geringere Bandbreite f\u00fcr die Echtzeit\u00fcbertragung \u00fcber Wifi oder 3G\/4G\/5G-Netzwerke. <\/p>\n\n

Anwendungsbeispiel: Verfolgung und Identifizierung<\/strong><\/h3>\n\n

Funktionale Drohnen verwenden visuelles Tracking, um sich selbst in ihrer Umgebung zu lokalisieren und auf der Grundlage ihrer definierten Flugroute durch den Raum zu navigieren. Das Tracking erm\u00f6glicht es Follow-Me-Drohnen, einem Menschen zu folgen oder alle Arten von Hindernissen zu umfliegen. Konkret nutzen Drohnen die 2D- oder 3D-Bilddaten eines Bildverarbeitungssystems, um ihre Umgebung und Objekte zu identifizieren. Anhand dieser Daten kann die Drohne sich selbst steuern, ihre Flugrichtung und Geschwindigkeit anpassen, landen, Objekten ausweichen und sie verfolgen. Die Bilddaten werden teilweise mit den Daten anderer Sensoren, wie z.B. IMUs, fusioniert, um eine genauere Posensch\u00e4tzung \u00fcber alle sechs Freiheitsgrade im dreidimensionalen Raum zu erhalten. Bei Tracking-Anwendungen ist die Bildqualit\u00e4t weniger wichtig, da das Bild direkt vom Prozessor ausgewertet wird und die Kamera im Wesentlichen als Sensor arbeitet. <\/p>\n\n

Das Kamerasystem einer Drohne, das auf Tracking angewiesen ist, ist in der Regel tief in das Steuerungssystem der Drohne eingebettet und eher klein. Sensoren im 1\/3-Zoll-Format mit einer Aufl\u00f6sung von bis zu 2 Megapixeln in Kombination mit M12-Objektiven stellen die maximalen Gr\u00f6\u00dfenanforderungen dar. Sie sind mit komplexen SoC-Computerarchitekturen verbunden, die aus CPU, FPGA und ISP bestehen und viele Schnittstellen zu anderen Systemen an Bord der Drohne umfassen. Diese Komplexit\u00e4t muss bei der Berechnung der Entwicklungs- und Integrationszeit f\u00fcr ein neues Drohnendesign ber\u00fccksichtigt werden. <\/p>\n\n

\u201eUm Bewegungsartefakte zu minimieren und die Pr\u00e4zision der Verfolgungsdaten zu maximieren, empfiehlt sich der Einsatz von Global-Shutter-Sensoren\u201c, sagt Dr. Frederik Sch\u00f6nebeck. Zur schnellen und einfachen Erzeugung von 3D-Daten k\u00f6nnen Stereo-Vision-Kameras oder -Systeme sowie TOF-Sensoren (Time of Flight)<\/a> verwendet werden. Die von diesen Ger\u00e4ten generierten Daten werden vom SoC automatisch ausgewertet, um selbstst\u00e4ndig Folgeentscheidungen zu treffen. Da es bei Tracking-Drohnen nicht auf die Qualit\u00e4t des aufgenommenen Bildes ankommt, stellen sie in der Regel extreme Anforderungen in Bezug auf sehr geringe Gr\u00f6\u00dfe, geringes Gewicht und niedrige Kosten. <\/p>\n\n

Wie k\u00fcnstliche Intelligenz der Objekterkennung dient<\/strong><\/h3>\n\n

Deep Learning-Algorithmen oder k\u00fcnstliche Intelligenz bieten mehr Sicherheit f\u00fcr Drohnen durch pr\u00e4zisere Kollisionsvermeidung und\/oder erm\u00f6glichen die autonome Verfolgung von Objekten und Personen. Zur Kollisionsvermeidung muss die Drohne Hindernisse wie Mauern, B\u00e4ume oder andere Objekte selbstst\u00e4ndig und in Echtzeit erkennen und pr\u00e4zise Ausweichman\u00f6ver durchf\u00fchren. Bei Verfolgungsaufgaben erkennt die Drohne automatisch das Objekt von Interesse und kann ihm automatisch folgen. <\/p>\n\n

\"Tracking-KI\"\/Abbildung 5: K\u00fcnstliche Intelligenz hilft Drohnen, Objekte und Personen besser zu identifizieren<\/em><\/p>\n\n

F\u00fcr diese Aufgaben trainieren neuronale Netzwerke die Software, um Objekte zu erkennen. Mindestens 10.000 Bilder, manchmal bis zu mehreren Millionen, sind erforderlich, um zuverl\u00e4ssige Testdaten f\u00fcr das maschinelle Lernen auf einem Hochleistungscomputer wie einer GPU zu liefern. Die Ergebnisse dieser Berechnungen erm\u00f6glichen es den Objekterkennungsalgorithmen, auf einer kleinen, energieeffizienten Prozessorarchitektur, wie z.B. einem ASIC-Chip, zu laufen. <\/p>\n\n

AI unterst\u00fctzt Stereo Matching<\/strong><\/strong><\/h3>\n\n

Neuronale Netzwerke helfen nicht nur bei der Objekterkennung, sondern auch bei der eigentlichen Erstellung von Tiefeninformationen in einer 3D-Kamera und f\u00fchren zu pr\u00e4ziseren Ergebnissen.<\/p>\n\n

Stereo-Vision-Methoden verwenden die Entfernungsbestimmung durch Triangulation zwischen zwei Kameras, um die 3D-Daten zu erzeugen. Diese Disparit\u00e4t wird durch Stereo-Matching von zwei entsprechenden Referenzpunkten im linken und rechten Bild berechnet. Die daraus resultierende „dichte Disparit\u00e4tskarte“ enth\u00e4lt die dritte Dimension als Farbkodierung. Je kleiner die Disparit\u00e4t und je dunkler der jeweilige Punkt dargestellt ist, desto weiter ist er von der Kamera entfernt. <\/p>\n\n

Beim Training mit neuronalen Netzwerken wird ein Bild, wie das linke, als Vergleichsdatensatz verwendet. Das rechte Bild dient als „Ground Truth“. F\u00fcr den Stereoabgleich werden diese Trainingsdaten f\u00fcr die jeweilige Anwendung in Bezug auf Entfernung, Perspektive und Landschaft optimiert. Dadurch k\u00f6nnen die Kanten von Objekten robuster erkannt und sogenannte „fliegende Pixel“, d.h. Ausrei\u00dfer in der Tiefenkarte, minimiert werden. Au\u00dferdem wird eine „Vertrauenskarte“ erstellt, die dabei hilft, die Qualit\u00e4t der erstellten Tiefeninformationen einzusch\u00e4tzen und somit robustere Entscheidungen zu treffen. <\/p>\n\n

\"Stereo-Matching-KI\"\/ Abbildung 6: Neuronale Netzwerke helfen beim Stereo-Matching bei der exakten Erkennung von Kanten<\/em><\/p>\n\n

Was Drohnenentwickler beachten m\u00fcssen<\/strong><\/h3>\n\n

Im Grunde kann man sagen: Jede Drohnenanwendung ist anders und erfordert ein einzigartiges und speziell optimiertes Kamerasystem. Es ist wichtig, den besten Kompromiss zwischen Bildqualit\u00e4t, Stromverbrauch, Rechenleistung, Gr\u00f6\u00dfe und Gewicht zu finden. Insbesondere die gew\u00fcnschte Bildqualit\u00e4t, die Empfindlichkeit gegen\u00fcber Bewegungsartefakten und die Auswahl des optimalen Sensors beeinflussen die Gr\u00f6\u00dfe des Gesamtsystems. Dies gilt insbesondere f\u00fcr Drohnen, die auf eingebettete Bildverarbeitung setzen und deren Kameras tief in das elektronische Design der Drohne integriert sind. Schnittstellen zu anderen Drohnensystemen erh\u00f6hen die Komplexit\u00e4t der Architektur und verl\u00e4ngern die Design- und Integrationszeiten f\u00fcr neue Drohnenentwicklungen. F\u00fcr die Steuerung der Drohne \u00fcber Bilddaten in Echtzeit ist au\u00dferdem eine leistungsstarke On-Board-Verarbeitung erforderlich, die das Energiebudget belasten kann. K\u00fcnstliche Intelligenz wie neuronale Netze verbessern die Pr\u00e4zision der autonomen Drohnensteuerung und Objekterkennung, so dass diese Algorithmen auf kleinen ASICs laufen k\u00f6nnen. In Anbetracht all dieser Faktoren muss ein Drohnenentwickler m\u00f6glicherweise einen Kompromiss zwischen Leistung und Stromverbrauch oder Platzbedarf eingehen. Wenn Sie im Voraus alle Faktoren kennen, die das Design einer Drohne beeinflussen k\u00f6nnen, k\u00f6nnen Sie sicherstellen, dass die besten Entscheidungen getroffen werden, um die Kosten zu minimieren und gleichzeitig die Leistung zu maximieren. Lesen Sie unseren Artikel, in dem wir erkl\u00e4ren, ob Sie ein Bildverarbeitungssystem bauen oder kaufen sollten.<\/a> <\/p>\n\n

Abbildung 1, 2, 3 und 4: (c) Sony Semiconductor Solutions – Abbildung 5: (c) Smolyanskiy et al. 2017 https:\/\/arxiv.org\/abs\/1705.02550<\/p>\n","protected":false},"excerpt":{"rendered":"

Von kleinen Sensormodulen bis hin zu k\u00fcnstlicher Intelligenz – es gibt verschiedene Technologien und Bildverarbeitungsalgorithmen, die es Drohnen erm\u00f6glichen, zu sehen. Jede Anwendung stellt andere Anforderungen an das Bildverarbeitungssystem und ist abh\u00e4ngig von dem verf\u00fcgbaren Platz in der Drohne und der gew\u00fcnschten Bildqualit\u00e4t. Dr. Frederik Sch\u00f6nebeck von FRAMOS sprach auf der VDI-Konferenz zum Thema \u201eZivile Drohnen im industriellen Einsatz\u201c und beschrieb die Kriterien f\u00fcr Anwendungen in den Bereichen Kartierung, Objekterkennung und Navigation sowie die Bedeutung der k\u00fcnstlichen Intelligenz f\u00fcr Drohnen. <\/p>\n","protected":false},"author":2,"featured_media":787,"comment_status":"closed","ping_status":"closed","template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false},"article-category":[],"article-tag":[],"class_list":["post-779","articles","type-articles","status-publish","format-standard","has-post-thumbnail","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/articles\/779","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/articles"}],"about":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/types\/articles"}],"author":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/comments?post=779"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/media\/787"}],"wp:attachment":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/media?parent=779"}],"wp:term":[{"taxonomy":"article-category","embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/article-category?post=779"},{"taxonomy":"article-tag","embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/article-tag?post=779"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}