Le monde de IoT est un monde où les technologies complémentaires produisent constamment des capacités nouvelles et innovantes. Parmi les plus prometteuses de ces technologies complémentaires, on trouve l'apprentissage automatique (ML) et la vision artificielle (MV). Explorons comment les applications médicales et industrielles IoT (IIoT) progressent grâce aux capacités de ces technologies.
Cet article est basé sur un document coécrit avec Brad Scott, PDG d'AuZone Technologies, Inc. en vue d'une présentation prévue sur la technologie d'apprentissage automatique à Embedded World 2020. Digi ne participera pas à la conférence, mais nous ferons une présentation sur ce sujet à distance par vidéoconférence le 27 février à 10 heures, et nous lancerons le nouveau kit de développement 8M Nano de Digi. Digi ConnectCore 8M Nano Development Kit.
Le Digi ConnectCore 8M est le dernier né de la famille ConnectCore de SOM (system on modules) puissants et évolutifs, conçus pour un développement rapide et une mise sur le marché rapide. Rejoignez notre liste de diffusion pour recevoir des annonces sur les nouveaux produits et les événements à venir de Digi !
Comment l'apprentissage automatique (ML) et la vision artificielle (MV) changent notre monde
Les techniques d'apprentissage automatique peuvent être appliquées à un large éventail de tâches de traitement ou de classification d'images par vision artificielle. Et, grâce à l'échelle à laquelle ces applications sont adoptées, il devient rapidement rentable d'ajouter des capacités d'apprentissage automatique et de vision artificielle à une variété croissante de produits IoT .
Les systèmes de vision industrielle utilisent généralement des capteurs numériques à l'intérieur de modules de caméras industrielles où les images sont traitées et analysées. Lorsqu'elles sont utilisées conjointement avec l'apprentissage automatique, les applications de vision industrielle peuvent effectuer des tâches complexes de manière fiable et cohérente.
Dans les applications de soins de santé, par exemple, ils peuvent surveiller les patients ou détecter des anomalies dans les images radiologiques, améliorant ainsi les soins aux patients, voire sauvant des vies.
Dans un environnement industriel, elles peuvent assurer les inspections de contrôle de la qualité de nombreux articles identiques sur un tapis roulant, sans erreur ni fatigue. En fait, la vision industrielle permet de réaliser des économies et d'améliorer le contrôle de la qualité dans presque tous les processus de production de masse qui nécessitent une surveillance visuelle. La vision industrielle a le potentiel de réduire les erreurs humaines et de fournir un meilleur contrôle de la qualité à moindre coût.
Avantages commerciaux de l'apprentissage automatique combiné à la vision artificielle
Si les avantages de la puissance combinée de l'apprentissage automatique et de la vision artificielle sont nombreux, certains des plus importants sont ceux qui entraînent des améliorations opérationnelles réelles et ont un impact sur les résultats.
- Qualité supérieure des produits: Inspection, mesure, jaugeage et vérification de l'assemblage.
- Augmentation de la productivité: Les tâches routinières et répétitives peuvent être exécutées rapidement et automatiquement, libérant ainsi le personnel pour des activités à plus forte valeur ajoutée.
- Réduction des coûts: L'ajout de capacités de vision industrielle aux équipements peut améliorer les performances et prolonger la durée de vie. Dans un environnement industriel, les systèmes de vision industrielle prennent moins de place que les opérateurs humains et ne nécessitent pas le même niveau d'infrastructure de sécurité.
Pourquoi le calcul à la périphérie ?
Les applications ML/MV fonctionnent nécessairement en temps réel. Ainsi, alors que de nombreux systèmes s'appuient sur l'informatique en nuage pour l'apprentissage automatique, la tendance est de plus en plus à la mise en œuvre de ce traitement à la périphérie de l'application, c'est-à-dire à proximité immédiate de l'endroit où se déroule le processus ou la fonction de l'entreprise. L'informatique en périphérie est particulièrement avantageuse dans les situations où la bande passante ou la latence sont une contrainte, comme dans une usine de fabrication où des dizaines d'articles par minute peuvent défiler sur un tapis roulant et être inspectés par un système de ML/MV.
Avantages de l'Edge Computing en termes de performance
Aujourd'hui, une plus grande partie de l'effort de calcul se déplace vers la périphérie pour des améliorations massives de l'efficacité et de la performance, notamment les suivantes :
- Réduction de la latence: L'informatique de périphérie permet de réagir plus rapidement aux événements locaux. Le système peut répondre plus rapidement car aucun aller-retour de données vers le serveur n'est nécessaire.
- Capacité à fonctionner hors ligne: En cas d'interruption des communications, le système peut collecter, stocker et traiter les données de manière autonome.
- Réduction des coûts: La réduction du flux de données sur le réseau entraîne une diminution des coûts de mise en réseau - par exemple, avec les connexions cellulaires qui nécessitent l'utilisation de données.
- Réduction de la consommation d'énergie: Les connexions réseau sont gourmandes en énergie. Le fait d'envoyer moins de données permet d'économiser de l'énergie, ce qui peut être avantageux pour les appareils alimentés par batterie IoT .
Outils et logiciels pour une mise en œuvre réussie
La création d'une solution d'apprentissage automatique n'est pas une mince affaire, et le choix du bon matériel, des outils de développement et des composants logiciels pour le traitement d'images basé sur l'apprentissage automatique à la périphérie peut contribuer grandement à la réussite de la mise en œuvre.
Au-Zone Technologies, par exemple, propose une boîte à outils spécialement conçue pour le développement de systèmes d'imagerie basés sur l'apprentissage automatique sur des dispositifs embarqués soumis à des contraintes de performance. Le moteur d'inférence de l'entreprise prend en charge les noyaux MCU, CPU et GPU avec un flux de travail et un format de modèle standard, ce qui assure la flexibilité et la portabilité sur toutes les plates-formes. Le système sur module (SOM) Digi ConnectCore® 8X contient quant à lui des cœurs de traitement MCU, CPU et GPU, ce qui permet au moteur d'inférence de fonctionner efficacement sur n'importe laquelle de ces ressources de calcul. Ces deux solutions sont donc également des technologies complémentaires.
Découvrir, développer, innover
Nous n'en sommes qu'aux premiers jours de ce qui sera certainement un vaste processus de développement et de mise en œuvre des capacités d'apprentissage et de vision automatiques, dont les résultats sont très attendus. Les organisations innovantes qui déploieront ces systèmes en premier sont susceptibles de bénéficier d'un avantage concurrentiel à mesure que de nouveaux avantages commerciaux seront réalisés et que de nouveaux cas d'utilisation se présenteront. Ces organisations acquerront également l'expérience et l'expertise nécessaires pour étendre leurs implémentations à d'autres cas d'utilisation et tirer pleinement parti de la technologie au fur et à mesure de son développement et de son perfectionnement.
Contactez Digi pour obtenir des conseils sur la bonne technologie pour le développement de votre produit, ou pour obtenir de l'aide sur n'importe quel aspect de votre processus de conception et de construction.