У многих людей, которые не являются специалистами в области ИТ или электронных систем, упоминание о системах машинного зрения вызывает ассоциацию со злыми роботами из будущего, которые благодаря искусственному интеллекту способны мыслить и мстят человечеству. Тут надо отдать должное сценаристам фильмов – они создали достаточно хороший продукт. Но в реальности не все так страшно как в кино, более того развитие систем машинного зрения открывает новые перспективы развития технологий и облегчение человеческого труда.
По своей сути принцип машинного зрения довольно прост – система, считывая какое-то изображение, принимает решение о дальнейшем действии без участия человека в данном процессе. Этот принцип очень удобен на сборочных или фасовочных линиях производства, так как непосредственно перед сборкой или упаковкой будет производится контроль качества изделия.
Например, при производстве печатных плат, после процесса изготовления плата будет сравниваться с эталонной моделью довольно легко и быстро благодаря системам машинного зрения без прохождения специального этапа контроля. Это бесценный шаг по сокращению времени изготовления и качества изделия, ведь человеческий мозг и глаз не в состоянии повторять одни и те же последовательные действия сотни или тысячи раз в день без потери качества выполнения.
Технологические потребности систем машинного зрения
Рост разрешения изображения современных смарт-камер, а также рост скорости передачи и обработки данных добавил очень большой потенциал в современные системы машинного зрения. Плюс в том, что теперь увеличились возможности машинного зрения, которые напрямую зависят от качества изображения и скорости обработки и передачи данных. Более мелкие подмножества визуальной информации могут быть оценены в отношении главного шаблона, усиливая нагрузку процессора системы в виде большего количества данных, а также более быстром принятии решении (да/нет, старт/стоп, остановка и так далее).
Так, например, в случае определения качества растительной продукции при сортировке алгоритм да/нет или подходит/ не подходит не является приемлемым. Это вызвано тем, что в каждой стране существуют свои стандарты качества продукции, а также тем, что растительная продукция в течении сезона может изменятся. Для того чтобы свести к минимуму количество брака для производителя и не ухудшить качество продукции для клиента необходимо максимально оптимизировать алгоритмы качества обработки информации.
Одна из компаний, которая создала подобный алгоритм – это Qtechnology, Дания. Компания поставляла смарт-камеры для классификации растительной продукции с объемом производства до 25 тонн в час, а это, не много не мало, требует анализа более 25000 продуктов из более чем 500 000 изображений. Каждое изображение имеет размер 6,2 МБ и для данного случая система машинного зрения должна анализировать более 2,5 терабайт данных в час на одну машину – это просто колоссальный объем данных. Этот объем данных потребует более шести часов времени для передачи по одному разъему Gigabit Ethernet.
Сортировка томатов с применением системы машинного зрения:
Для решения этой проблемы более простыми алгоритмами необходимо несколько стадий анализа и камер, улучшенное освещение и так далее. В качестве альтернативы вполне можно применить большую вычислительную мощность, либо для централизованного блока обработки данных применить несколько соединений с большей пропускной способностью, либо же, распределить обработку информации с помощью смарт-камер. Данные будут обрабатываться непосредственно в камере, которая обрабатывает только результаты поиска продукта, полученного после окончательной механической системы классификации.
Для решения применения различных технологий съемки изображения Qtechnology использует съемные головки камер с различными массивами датчиков, которые идут в комплекте со смарт-камерами. Гиперспектральная головка, участвующая в формировании изображения, позволяет выявлять и анализировать информацию о продукте.
В стандартных системах машинного зрения качество и безопасность продуктов питания, как правило, определяется внешними физическими атрибутами, такими как цвета и текстуры. Гиперспектральная визуализация дает пищевой промышленности возможность включать новые атрибуты в качество и оценку безопасности химических и биологических признаков для определения сахара, жира, влаги, и количество бактерий в продуктах.
Гиперспектральные изображения — трехмерные изображения кубов в пространственной и спектральной информации получают из каждого пикселя. Другие спектральные характеристики обеспечивают лучшее распознавание атрибутов и позволяют им быть более подходящими. Кубики изображения включают интенсивность (отражаемого и пропускаемого света) каждого пикселя для всех длин волн света, что приводит к построению изображения куба, который содержит массу информации. Эти данные обеспечивают экспоненциальный рост вычислительной задачи для качественных и количественных результатов сортировки продукта в режиме реального времени.
Применение гетерогенных вычислений
Поддержка высоких требований обработки продукции сегодня и в будущем требует высокой производительности систем технического зрения.
Qtechnology использует блок ускоренной обработки в своих смарт камерах, которые сочетают в себе графический процессор и микропроцессор на одном кристалле, что позволяет системе разгрузить интенсивную обработку пикселей введением графического процессора (GPU) без высокой задержки шины транзакций между работающими компонентами. Данное введение позволяет центральному процессору ЦПУ обслуживать другие прерывания с меньшими задержками, что помогает значительно улучшить производительность в режиме реального времени всей системы и удовлетворить постоянно растущие требования к показателям качества систем машинного зрения.
Спаривание различных процессов обработки на одном кристалле или одной системе для применения вычислительных мощностей к задаче основывается на гетерогенных вычислениях. Специально для помощи разработчикам в 2012 году был создан Фонд Гетерогенной Архитектуры (Heterogeneous System Architecture (HSA) Foundation), который помогает промышленникам устанавливать открытые спецификации для процессоров и систем, использующих все имеющиеся возможности для повышения эффективности обработки.
Графический процессор является параллельным «двигателем», к которому можно применять те же инструкции через большие наборы данных (в данном случае — пиксели) одновременно. Это именно то, что необходимо для работы 3D игры на игровой консоли или ПК и, как ни странно, это же требование предъявляют и системы технического зрения.
Применение машинного зрения в различных отраслях промышленности:
Производительность может быть улучшена путем сопряжения APU с внешними дискретными графическими процессорами GPU в экспресс модуле Mobile PCI Express Module (MXM). При этом компании имеют возможность добавлять дополнительные ресурсы обработки GPU для поддержки еще более сложных задач машинного зрения в случае необходимости.
Программное обеспечение является важнейшим элементом системы технического зрения. С применением HSA вся платформа обработки может управляться с помощью стандартного Linux ядра, которое требует всего лишь скромную поддержку с каждым новым выпуском. Yocto Project, проект с открытым исходным кодом, который предоставляет шаблоны, инструменты и методы для помощи пользователям в создании своих собственных систем Linux на основе встраиваемых продуктов.
Огромная поддержка экосистемы для х86 позволяет задействовать библиотеки с открытым исходным кодом, а также для обработки сторонних изображений, такие как OpenCV, Mathworks’ MATLAB и HALCON.
Последним примером машинного зрения является обработка кремниевых изделий, что позволяет нарастить скорость производства, снизить затраты, повысить качество. Машинное зрение может быть внедрено практически в любую отрасль промышленности, медицины, бытовых нужд и других сферах. Благодаря нововведениям в промышленности и безграничной изобретательности инженеров машинное зрение становится все более доступным.
