Computer Vision for Autonomous Driving Training Cursus

Deze door een instructeur geleide, live training (online of ter plaatse) is bedoeld voor robotics engineers en AI-onderzoekers op hoog niveau die geavanceerde algoritmen voor padplanning willen implementeren om de prestaties van autonome voertuigen te verbeteren.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De theoretische basis van geavanceerde algoritmen voor padplanning te begrijpen.
• Algoritmen zoals RRT*, A* en D* te implementeren voor real-time navigatie.
• Padplanning te optimaliseren voor obstakelvermijding en dynamische omgevingen.
• Padplanningsalgoritmen te integreren met sensorgegevens voor een verbeterde nauwkeurigheid.
• De prestaties van verschillende algoritmen in praktische scenario's te evalueren.

Deze door instructeurs geleide live training in België (online of ter plekke) is gericht op geavanceerde datawetenschappers, AI-specialisten en AI-ontwikkelaars in de autotechniek die AI-modellen willen bouwen, trainen en optimaliseren voor toepassingen in autonomie.

Aan het einde van deze training kunnen de deelnemers:

• De basisprincipes van AI en deep learning in de context van autonome voertuigen begrijpen.
• Computer vision technieken implementeren voor real-time objectdetectie en rijstrookvolgen.
• Reinforcement learning gebruiken voor besluitvorming in zelfrijdende systemen.
• Sensor fusie technieken integreren voor betere waarneming en navigatie.
• Deep learning modellen bouwen om rijscenario's te voorspellen en te analyseren.

Deze klassikale, live training (online of op locatie) is bedoeld voor ervaren veiligheidsingenieurs en professionals in de automotive veiligheid die uitgebreide veiligheidsstrategieën voor autonome voertuigen willen ontwikkelen, inclusief risicoanalyse, functionele veiligheidsbeoordelingen en naleving van internationale normen.

Aan het einde van deze training zijn de deelnemers in staat om:

• Veiligheidsrisico's te identificeren en te beoordelen die verband houden met autonome rijsystemen.
• Risicoanalyses en -beoordelingen uit te voeren met behulp van industriestandaarden.
• Veiligheidsvalidatie- en verificatiemethoden voor AV-systemen te implementeren.
• Functionele veiligheidsnormen toe te passen, zoals ISO 26262 en SOTIF.
• Risicobeperkende strategieën te ontwikkelen voor AV-veiligheidsuitdagingen.

Deze door een instructeur geleide, live training in België (online of op locatie) is gericht op beginnende medewerkers van de rechtshandhaving die willen overstappen van handmatig faciaal tekenen naar het gebruik van AI-tools voor het ontwikkelen van gezichtsherkenningsystemen.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De basisprincipes van Artificial Intelligence en Machine Learning te begrijpen.
• De basisprincipes van digitale beeldverwerking en de toepassing ervan in gezichtsherkenning te leren.
• Vaardigheden te ontwikkelen in het gebruik van AI-tools en frameworks om gezichtsherkenningsmodellen te creëren.
• Handson ervaring op te doen met het creëren, trainen en testen van gezichtsherkenningsystemen.
• De ethische overwegingen en beste praktijken bij het gebruik van gezichtsherkenningstechnologie te begrijpen.

Fiji is een open-source beeldverwerkingspakket dat ImageJ (een beeldverwerkingsprogramma voor wetenschappelijke multidimensionale beelden) en een aantal plug-ins voor wetenschappelijke beeldanalyse bundelt.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze de Fiji-distributie en het onderliggende ImageJ-programma kunnen gebruiken om een toepassing voor beeldanalyse te maken.

Aan het einde van deze training zijn de deelnemers in staat om:

• Gebruik de geavanceerde programmeerfuncties en softwarecomponenten van Fiji om ImageJ uit te breiden
• Naai grote 3D-afbeeldingen van overlappende tegels
• Een Fiji-installatie automatisch bijwerken bij het opstarten met behulp van het geïntegreerde updatesysteem
• Kies uit een brede selectie scripttalen om aangepaste oplossingen voor beeldanalyse te bouwen
• Gebruik de krachtige bibliotheken van Fiji, zoals ImgLib, op grote bioimage-datasets
• Implementeer hun applicatie en werk samen met andere wetenschappers aan soortgelijke projecten

Vorm van de cursus

• Interactieve lezing en discussie.
• Veel oefeningen en oefenen.
• Hands-on implementatie in een live-lab omgeving.

Opties voor het aanpassen van cursussen

• Om een training op maat voor deze cursus aan te vragen, neem dan contact met ons op om een afspraak te maken.

Deze door een instructeur geleide, live training (online of ter plaatse) is gericht op beginners tot gemiddelde onderzoekers en laboratoriumprofessionals die wensen om beelden te verwerken en te analyseren die betrekking hebben op histologische weefsels, bloedcellen, algen en andere biologische monsters.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De interface van Fiji te navigeren en de kernfuncties van ImageJ te gebruiken.
• Wetenschappelijke beelden te voorverwerken en te verbeteren voor een betere analyse.
• Beelden kwantitatief te analyseren, inclusief celtelling en oppervlaktemeting.
• Herhaalde taken te automatiseren met behulp van macros en plug-ins.
• Werkstroomprocessen aan te passen aan specifieke beelddanalyseeisen in biologische onderzoek.

Deze door een docent geleide, live training (online of op locatie) is bedoeld voor ervaren specialisten in sensorfusie en AI-ingenieurs die multi-sensorfusie-algoritmen willen ontwikkelen en real-time navigatie in autonome systemen willen optimaliseren.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De fundamentele principes en uitdagingen van multi-sensor datafusie te begrijpen.
• Sensorfusie-algoritmen te implementeren voor real-time autonome navigatie.
• Data van LiDAR, camera's en RADAR te integreren voor verbeterde perceptie.
• De prestaties van fusiesystemen onder verschillende omstandigheden te analyseren en evalueren.
• Praktische oplossingen te ontwikkelen voor ruisonderdrukking en data-uitlijning van sensoren.

OpenCV (Open Source Computer Vision Bibliotheek: http://opencv.org) is een open-source BSD-gelicentieerde bibliotheek die enkele honderden computervisie-algoritmen bevat.

Audiëntie

Deze cursus is bedoeld voor ingenieurs en architecten die OpenCV willen gebruiken voor computervisieprojecten

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is bedoeld voor software-engineers die willen programmeren in Python met OpenCV 4 voor deep learning.

Aan het einde van deze training zijn de deelnemers in staat om:

• Bekijk, laad en classificeer afbeeldingen en video's met behulp van OpenCV 4.
• Implementeer deep learning in OpenCV, 4, met TensorFlow en Keras.
• Voer deep learning-modellen uit en genereer impactvolle rapporten op basis van afbeeldingen en video's.

OpenFace is Python en Torch gebaseerde open-source, real-time gezichtsherkenningssoftware gebaseerd op Google's FaceNet-onderzoek.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze de componenten van OpenFace kunnen gebruiken om een voorbeeldtoepassing voor gezichtsherkenning te maken en te implementeren.

Aan het einde van deze training zijn de deelnemers in staat om:

• Werk met de componenten van OpenFace, waaronder dlib, OpenVC, Torch en nn4 om gezichtsdetectie, uitlijning en transformatie te implementeren
• Pas OpenFace toe op real-world toepassingen zoals bewaking, identiteitsverificatie, virtual reality, gaming en het identificeren van terugkerende klanten, enz.

Audiëntie

• Ontwikkelaars
• Datawetenschappers

Vorm van de cursus

• Deels lezing, deels discussie, oefeningen en zware hands-on oefening

Pattern Matching is een techniek die wordt gebruikt om gespecificeerde patronen in een afbeelding te lokaliseren. Het kan worden gebruikt om het bestaan van gespecificeerde kenmerken in een vastgelegd beeld te bepalen, bijvoorbeeld het verwachte label op een defect product in een fabriekslijn of de gespecificeerde afmetingen van een onderdeel. Het verschilt van "Pattern Recognition" (dat algemene patronen herkent op basis van grotere verzamelingen van verwante monsters) in die zin dat het specifiek dicteert waarnaar we op zoek zijn en ons vervolgens vertelt of het verwachte patroon bestaat of niet.

Vorm van de cursus

• Deze cursus introduceert de benaderingen, technologieën en algoritmen die worden gebruikt op het gebied van patroonherkenning zoals dat van toepassing is op Machine Vision.

Deze live training onder leiding van een instructeur introduceert de software, hardware en het stapsgewijze proces die nodig zijn om een gezichtsherkenningssysteem vanaf nul op te bouwen. Gezichtsherkenning wordt ook wel Face Recognition genoemd.

De hardware die in dit lab wordt gebruikt, omvat Rasberry Pi, een cameramodule, servo's (optioneel), enz. Deelnemers zijn zelf verantwoordelijk voor de aanschaf van deze componenten. De gebruikte software omvat OpenCV, Linux, Python, enz.

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeer Linux, OpenCV en andere softwarehulpprogramma's en bibliotheken op een Rasberry Pi.
• Configureer OpenCV om gezichtsopnamen vast te leggen en te detecteren.
• Begrijp de verschillende opties voor het verpakken van een Rasberry Pi-systeem voor gebruik in real-world omgevingen.
• Pas het systeem aan voor een verscheidenheid aan gebruiksscenario's, waaronder bewaking, identiteitsverificatie, enz.

Vorm van de cursus

• Deels lezing, deels discussie, oefeningen en zware hands-on oefening

Notitie

• Andere hardware- en software-opties zijn onder meer: Arduino, OpenFace, Windows, enz. Als u een van deze wilt gebruiken, neem dan contact met ons op om dit te regelen.

Dit door een instructeur geleide live training in België (online of op locatie) is gericht op professionals met middelmatige kennis die Vision Builder AI willen gebruiken om geautomatiseerde inspectiesystemen te ontwerpen, implementeren en optimaliseren voor SMT (Surface-Mount Technology) processen.

Na afloop van deze training zijn de deelnemers in staat:

• Geautomatiseerde inspecties op te zetten en te configureren met Vision Builder AI.
• Hoge-kwaliteitsafbeeldingen verkrijgen en voorbereiden voor analyse.
• Logica-gebaseerde beslissingen implementeren voor defectendetekting en procesvalidatie.
• Inspectierapporten genereren en systeemprestaties optimaliseren.