Discutați cu prietenii și familia despre „mașinile conștiente” și ați putea primi niște priviri ciudate, urmate eventual de o discuție despre un film pe care l-au văzut în care roboții devin conștienți de sine și periculoși. Din fericire, realitatea nu este atât de apocaliptică. Poate industria ar trebui să ia în considerare o descriere a segmentului de tehnologie care este mai ușor de utilizat, deoarece acest domeniu are un potențial pozitiv dramatic pentru aplicații integrate (embedded).
De fapt, Machine Vision este pur și simplu un mecanism care acționează pe baza informațiilor disponibile într-o imagine pentru a lua o decizie cu privire la ce va face în continuare cu obiectul din imagine. O simplă evaluare de calitate a unui produs de pe linia de asamblare sau înainte de expediere este unul dintre exemplele cele mai simple. Inspecția unui PCB (circuit imprimat) este un exemplu de utilizare comună, în cazul în care o imagine a unui model matriță, corect populată poate fi rapid și ușor comparată cu un PCB de producție, pe măsură ce se deplasează într-un sistem automat de sortare. Acesta este un pas extrem de important pentru asigurarea calității și reducerea deșeurilor, cu verificări de producție pe care ochiul uman și creierul nu le-ar putea repeta, în mod constant, de sute sau chiar mii de ori pe zi.
Necesitățile de procesare pentru MachineVision
Pe măsură ce rezoluția imaginilor din sistemele de înregistrare crește, potențialul mașinilor conștiente se amplifică, deoarece detaliile disponibile pentru evaluare cresc într-un ritm echivalent. Subseturi din ce în ce mai mici de informații vizuale pot fi evaluate pe baza unui șablon, crescând în acest fel volumul de lucru pentru procesorul sistemului, ce prelucrează datele și decide cu privire la pașii următori.
Clasificarea legumelor este un caz în care dimensiunea produselor corelată cu simpla alegere “pass / fail” pentru controlul calității nu este suficientă, deoarece standardele de produs sunt diferite de la țară la țară și calitatea acestora variază pe parcursul unui sezon. Pentru a fi în măsură să reducă la minimum pierderile de la producător și să mențină în continuare un nivel de calitate ridicat, o serie de algoritmi optimi este necesară pentru o sortare calitativă, sarcină aproape imposibilă pentru oameni.
Un exemplu în acest sens este Qtechnology din Danemarca. Compania livrează camere inteligente pentru sortarea legumelor cu volume de producție de până la 25 de tone pe oră, ceea ce necesită analizarea a mai mult de 250.000 de produse de la aproximativ 500.000 de imagini. La 6.2 MB pentru fiecare imagine, acest caz particular necesită analizarea a mai mult de 2,5 terabytes de date într-o oră per mașină, o cantitate colosală de informații. Pentru a administra lucru cu acești simpli algoritmi ar fi necesare mai multe etape de analiză și mai multe camere video, corpuri de iluminat, spațiu suplimentar în incinta fabricii etc. Alternativa este de a utliliza o putere de procesare extinsă, fie ca o unitate de procesare centralizată și conectată prin intermediul unor conexiuni în bandă largă sau prelucrarea distribuită cu camere inteligente, cu procesarea datelor în timp real, direct în aparatul de fotografiat, rezultatele pentru fiecare produs fiind livrate direct sistemului de sortare mecanică.
În sistemele standard de procesare a imaginilor, calitatea alimentelor și siguranța alimentară sunt în general definite de atribute fizice externe, cum ar fi textura si culoarea.
Imagistica hyperspectrală oferă industriei alimentare posibilitatea de a include noi atribute în evaluarea calității și a siguranței, precum atributele chimice si biologice pentru determinarea zahărului, grăsimilor, umidității și numărul de bacterii din produse.
Aplicarea infrastructurii de tip Heterogeneous Compute
Sprijinirea acestor cereri de procesare atât în prezent dar și în viitor necesită un grad ridicat de procesare scalabilă, de înaltă performanță. Qtechnology utilizează o unitate de procesare accelerată (APU) în platformele sale, ce combină un procesor central CPU și un procesor grafic GPU într-un singur cip, asigurând astfel echilibrarea fluxului de informații procesate către GPU, fără generarea de latențe ridicate între componentele de procesare. Acest lucru permite procesorului central CPU să servească altor întreruperi cu latență mai redusă, ajutând în acest fel la îmbunătățirea performanțelor în timp real a întregului sistem.
Combinarea mai multor unități de procesare într-un singur cip sau într-un sistem pentru a asocia fluxuri de lucru către componenta cea mai potrivită stă la baza modelului Heteroneous computing. Bazele Heterogeneous System Architecture (HSA) au fost puse in anul 2012 cu scopul de a permite industriei să definească specificații de produs universal valabile de-a lungul tuturor elementelor de procesare pentru îmbunătățirea eficienței de lucru.
Procesorul grafic GPU lucrează cu sarcini paralele ce se pot multiplica simultan peste mai multe seturi de date (în acest caz, pixeli) – exact cum se întâmplă în cazul jocurilor 3D pe consolă sau PC. Acest lucru este exact ceea ce o mașină inteligentă are nevoie. Performanța poate fi crecută prin instalarea unei plăci grafice dedicate alături de GPU-ul din APU cu scopul de a oferi un suport extins atunci când fluxul de lucru este ridicat.
Aplicatiile software reprezintă o parte critică din ecuație. Cu HSA, întreaga platformă poate fi controlată prin intermediul unui Kernel de Linux, ce necesită un nivel minimal de suport de programare la fiecare actualizare a
acestuia. Proiectul Yocto, o colaborare open source, asigură șabloane, unelte și metode de lucru ce vin în ajutorul utilizatorilor la crearea de sisteme bazate pe kernel Linux pentru produse embedded.
Machine vision este cel mai bun exemplu de optimizare a costurilor prin aplicarea puterii de procesare a siliconului, totodată crescând viteza de producție, calitatea și oferind o serie de beneficii pentru diverse afaceri și aplicații.
de Ramona Prodea, SEE Manager, AMD
