reklama
reklama
reklama
reklama
reklama
reklama
reklama
reklama
© Pixabay Technologie | 26 czerwca 2018

Technologia Embedded Vision

Embedded Vision Systems ÔÇô rozw├│j nowoczesnych system├│w wizyjnych wspieranych przez zaawansowane algorytmy rozpoznawania obrazu.
Projektujesz elektronik─Ö? Zarezerwuj 4 pa┼║dziernika 2018 roku na najwi─Öksz─ů w Polsce konferencj─Ö dedykowan─ů projektantom, Evertiq Expo Krak├│w 2018. Przesz┼éo 60 producent├│w i dystrybutor├│w komponent├│w do Twojej dyspozycji, ciekawe wyk┼éady i ┼Ťwietna, tw├│rcza atmosfera. Jeste┼Ť zaproszony, wst─Öp wolny: kliknij po szczeg├│┼éy.

┬ę Evertiq
Obraz jest najprawdopodobniej najbogatszym ┼║r├│d┼éem pozyskiwania informacji z otoczenia. Naukowcy i in┼╝ynierowie od kilku dziesi─Öcioleci pr├│buj─ů zrozumie─ç i wykorzysta─ç technologie przechwytywania obrazu. W tym celu opracowali r├│┼╝ne algorytmy dla system├│w wizyjnych, pozwalaj─ůc maszynom na "widzenie".

Pierwsze prawdziwe komercyjne aplikacje, powszechnie znane jako Machine Vision (MV), analizowa┼éy szybko poruszaj─ůce si─Ö obiekty, w celu weryfikacji oraz kontroli produkt├│w w procesach wytw├│rczych. Szybko zachodz─ůce zmiany w technologii, kt├│re wp┼éyn─Ö┼éy przede wszystkim na popraw─Ö wydajno┼Ťci przetwarzania, redukcj─Ö zu┼╝ycia energii, opracowanie lepszych przetwornik├│w obrazu i nowych algorytm├│w oraz na rozw├│j uczenia maszynowego, wymaga┼éy nowego podej┼Ťcia do zagadnienia. Idealnym rozwi─ůzaniem okaza┼éo si─Ö po┼é─ůczenie system├│w wbudowanych z wizj─ů komputerow─ů, co doprowadzi┼éo do powstania wbudowanych system├│w wizyjnych ÔÇô Embedded Vision Systems.

W nadchodz─ůcych latach przewiduje si─Ö jeszcze wi─Ökszy rozw├│j wbudowanych technologii wizyjnych, w tym tych przeznaczonych do pracy w warunkach s┼éabego o┼Ťwietlenia, do obrazowania w wysokiej rozdzielczo┼Ťci lub do zaawansowanych aplikacji opartych na specjalnie opracowanych silnikach przetwarzania. Dzi─Öki temu, ju┼╝ nied┼éugo na rynku pojawi si─Ö wi─Öcej produkt├│w przeznaczonych dla szerokiej gamy aplikacji konsumenckich, motoryzacyjnych, przemys┼éowych, a tak┼╝e zwi─ůzanych z opiek─ů zdrowotn─ů czy automatyk─ů domow─ů.

Nowy trend



Internet przedmiot├│w (IoT) z dnia na dzie┼ä zmienia przemys┼é elektroniczny. Ju┼╝ nied┼éugo IoT spowoduje po┼é─ůczenie miliard├│w urz─ůdze┼ä ze sob─ů. Celem IoT jest uczynienie urz─ůdze┼ä inteligentnymi i dost─Öpnymi dla u┼╝ytkownik├│w na ca┼éym ┼Ťwiecie. Urz─ůdzenia uznajemy za inteligentne zazwyczaj wtedy, gdy znacznie u┼éatwiaj─ů nam ┼╝ycie. Jednym z przyk┼éad├│w jest automatyczne rozpoznawanie mieszka┼äca za pomoc─ů wideodomofonu i umo┼╝liwienie wej┼Ťcia tylko tej osobie do budynku.
Embedded Vision to po┼é─ůczenie dw├│ch ┼Ťwiat├│w: sprz─Ötu i oprogramowania. Znalezienie idealnego i wydajnego rozwi─ůzania ┼é─ůcz─ůcego te zagadnienia nie jest prostym zadaniem.
Og├│lnie mo┼╝na przyj─ů─ç, ┼╝e urz─ůdzenia s─ů tym bardziej u┼╝yteczne, im g┼é─Öbiej wchodz─ů w interakcj─Ö ze ┼Ťwiatem zewn─Ötrznym, a rejestrowane informacje posiadaj─ů wysoki stopniem szczeg├│┼éowo┼Ťci: rejestruj─ů wiele informacji i mog─ů pom├│c w interakcji z otaczaj─ůcym je ┼Ťrodowiskiem. Klasycznym przyk┼éadem jest robotyka, dziedzina nauki, kt├│ra od samego pocz─ůtku wykorzystuje w swoich aplikacjach czujniki obrazu. Czujniki obrazu, czyli dane wej┼Ťciowe do systemu, s─ů ”oczami” robota i mog─ů na przyk┼éad z wysok─ů wydajno┼Ťci─ů sterowa─ç silnikami urz─ůdzenia - wyj┼Ťciem systemu. Ponadto, szybki post─Öp w uczeniu maszynowym za pomoc─ů splotowych sieci neuronowych CNN (Convolutional Neural Networks) i innych technologii sieci neuronowych, umo┼╝liwi jeszcze wi─Ökszy rozw├│j samoucz─ůcych si─Ö inteligentnych system├│w wizyjnych.

Wyzwania


Wbudowane systemy wizyjne nios─ů ze sob─ů ogromny potencja┼é dla prawie ka┼╝dej bran┼╝y na rynku elektronicznym. Wraz z pojawiaj─ůcymi si─Ö ulepszeniami sprz─Ötu i oprogramowania b─Ödzie on jeszcze wzrasta┼é. Zanim to jednak nast─ůpi, konieczne jest pokonanie wielu wyzwa┼ä przy opracowywaniu wbudowanej aplikacji wizyjnej dla ca┼éego systemu. Stawiaj─ůc na pierwszym miejscu jako┼Ť─ç obrazu, ”surowe” dane (RAW), niezale┼╝nie od tego czy jest to wideo czy nieruchomy obraz, b─Öd─ů musia┼éy zosta─ç zoptymalizowane i odpowiednio przetworzone. Je┼╝eli na przyk┼éad jako┼Ť─ç wykonania obiektywu nie jest wystarczaj─ůco dobra, wp┼éynie ona negatywnie na ca┼éy proces przetwarzania obrazu. W dodatku ilo┼Ť─ç przechwyconych danych mo┼╝e by─ç olbrzymia, szczeg├│lnie w przypadku obraz├│w wideo o wysokiej rozdzielczo┼Ťci i zastosowania przetwarzania w czasie rzeczywistym. W tym celu wiele aplikacji do zaawansowanego obrazowania wymaga u┼╝ycia r├│wnoleg┼éych system├│w przetwarzania lub dedykowanych uk┼éad├│w, takich jak GPU, procesory DSP, FPGA lub FPU.

Wbudowane systemy wizyjne s─ů cz─Östo ograniczane ze wzgl─Ödu na koszty, rozmiary, czy zu┼╝ycie energii, podczas gdy zaawansowany system przetwarzania wymaga ogromnej mocy obliczeniowej i du┼╝ego nak┼éadu pracy, co w rezultacie mo┼╝e okaza─ç si─Ö zbyt drogim i energoch┼éonnym rozwi─ůzaniem. Co wa┼╝ne, system wbudowany zaprojektowano do pracy w rzeczywistych warunkach, kt├│re ci─ůgle si─Ö zmieniaj─ů, tak jak warunki o┼Ťwietlenia, pozycja czy orientacja. W takich sytuacjach kluczowe znaczenie ma wdro┼╝enie wyspecjalizowanych algorytm├│w wizyjnych do sterowania danymi. Poleganie tylko na symulacjach nie sprawdzi si─Ö. Wymagane s─ů testy w ┼Ťwiecie rzeczywistym, kt├│re mog─ů by─ç bardzo czasoch┼éonne. Dotyczy to w szczeg├│lno┼Ťci aplikacji przeznaczonych na rynek motoryzacyjny, dla system├│w bezpiecze┼ästwa i rozwi─ůza┼ä dla robotyki.

Systemy wizyjne


Wbudowane systemy wizyjne sk┼éadaj─ů si─Ö z r├│┼╝nych element├│w, kt├│re mo┼╝na zintegrowa─ç na wiele spos├│b. Przede wszystkim jednak zawieraj─ů systemy obrazowania, przetwarzania i wizji komputerowej.


Rysunek 1. Standardowy schemat wbudowanego systemu wizyjnego, ┬ę Avnet

Na wej┼Ťciu do systemu znajduj─ů si─Ö czujniki obrazu CMOS lub CCD ÔÇô dwie obecnie wiod─ůce technologie do rejestracji obraz├│w. Podczas gdy technologia CCD gwarantuje lepsz─ů jako┼Ť─ç ca┼éo┼Ťci, rozw├│j w ci─ůgu ostatniej dekady technologii CMOS, doprowadzi┼é do zatarcia powsta┼éej przez ten czasu luki w r├│┼╝nicy jako┼Ťci. Poza mo┼╝liwo┼Ťciami rejestracji przy s┼éabym o┼Ťwietleniu, poprawiono jako┼Ť─ç obrazu, zmniejszono zu┼╝ycie energii i obni┼╝ono koszty, co sprawi┼éo, ┼╝e wzros┼éo wykorzystanie czujnik├│w CMOS, w por├│wnaniu do matryc CCD. Technologia CMOS ca┼éy czas ewoluuje, zmniejszaj─ůc rozmiary piksela, zwi─Ökszaj─ůc rozdzielczo┼Ť─ç optyczn─ů, szybko┼Ť─ç przetwarzania oraz pasmo przepustowo┼Ťci. Ponadto coraz bardziej dost─Öpne staj─ů si─Ö uk┼éady i modu┼éy o niewielkich rozmiarach, co w coraz wi─Ökszym stopniu wp┼éywa na tworzenie kompaktowych rozwi─ůza┼ä z dwiema kamerami. Takie systemy pozwalaj─ů na implementacje stereowizji, kt├│ra przyczynia si─Ö do skompensowania zniekszta┼éce┼ä, uzyskania g┼é─Öbi, poprawy zakresu dynamiki i zwi─Ökszenia ostro┼Ťci obrazu.

Wyb├│r procesora musi by─ç okre┼Ťlony przez takie aspekty, jak wydajno┼Ť─ç w czasie rzeczywistym, zu┼╝ycie energii, jako┼Ť─ç obrazu i z┼éo┼╝ono┼Ť─ç algorytmu. Zauwa┼╝y─ç mo┼╝na ci─ůg┼é─ů popraw─Ö algorytm├│w przetwarzania i wizji, a tak┼╝e zwi─Ökszenie integracji w zakresie jednoczesnej lokalizacji i mapowania (SLAM) dla aplikacji przeznaczonych dla samochod├│w, robot├│w i dron├│w.

Wymagane jest r├│wnie┼╝ u┼╝ycie lokalnej pami─Öci do por├│wnywania obraz├│w lub przechowywania danych do przysz┼éych analiz. Przechowywanie niekt├│rych informacji lub wszystkich przechwyconych danych obrazu, w pami─Öci ulotnej, jak i nieulotnej, jest powszechnie stosowane w systemach wizyjnych. Wyspecjalizowane algorytmy wizyjne s─ů r├│wnie┼╝ kluczowym elementem systemu, wykorzystywane na przyk┼éad do sterowania sygna┼éem wej┼Ťciowym ÔÇô wzmacnianie kolor├│w i poprawiania obrazu ÔÇô poprawa wykrywania obiekt├│w.

Od czasu wprowadzenia kilku lat temu otwartej biblioteki OpenCV do przetwarzania obrazu, proces opracowywania i wdra┼╝ania algorytm├│w zmieni┼é si─Ö radykalnie. OpenCV zawiera kod ┼║r├│d┼éowy napisany w j─Özyku C i C ++ z funkcjami, kt├│re wspieraj─ů aplikacje do cyfrowej obr├│bki obrazu, u┼éatwiaj─ůc tym samym uruchamianie algorytm├│w na wbudowanych procesorach. Wiele firm oferuje rozwi─ůzania do przetwarzania obrazu i wideo oparte na OpenCV lub podobnych bibliotekach, a nawet na ca┼éych platformach programistycznych, tzw. frameworkach, dla wielu r├│┼╝nych aplikacji. Producenci uk┼éad├│w r├│wnie┼╝ implementuj─ů dedykowane biblioteki, tak aby ulepszy─ç oferowane przez nich produkty o wbudowane przetwarzanie obrazu.

Kolejnym, coraz wa┼╝niejszym elementem, szczeg├│lnie w dobie rozwoju internetu rzeczy, jest ┼é─ůczno┼Ť─ç ÔÇô przewodowa lub bezprzewodowa, w zale┼╝no┼Ťci od aplikacji i jej wymaga┼ä. Nast─Öpnie, wdro┼╝enie oprogramowania do analizy algorytmicznej na serwery oparte na chmurze.

Podsumowuj─ůc, najwa┼╝niejsze aby wybra─ç odpowiednie elementy dla systemu i aplikacji, i dopiero wtedy przej┼Ť─ç do dopracowywania wszystkich tych cz─Ö┼Ťci, w tym sprz─Ötu, oprogramowania i algorytm├│w. Nie zawsze jest to jednak takie ┼éatwe. Dodatkowo ze wzgl─Ödu na z┼éo┼╝ono┼Ť─ç wbudowanego systemu do rozpoznawania obraz├│w, producenci ┼╝eby szybko wprowadzi─ç projekty musz─ů cz─Östo korzysta─ç z zaawansowanych narz─Ödzi, tak aby zminimalizowa─ç koszty powstania systemu, skr├│ci─ç czas wdro┼╝enia i zmniejszy─ç ryzyko pora┼╝ki.

Rozwi─ůzania kompletne



Firma Avnet Silica ma bogate do┼Ťwiadczenie w pomaganiu klientom w celu opracowania wbudowanych system├│w wizyjnych. W swojej ofercie posiada praktycznie wszystkie elementy niezb─Ödne do stworzenia kompletnego systemu wizyjnego, w tym zoptymalizowanego sprz─Ötu i oprogramowania, sterownik├│w i aplikacji. Biblioteka podzespo┼é├│w obejmuje r├│┼╝ne bloki element├│w pocz─ůwszy od czujnika obrazu lub modu┼éu kamery na wej┼Ťciu, a┼╝ po dedykowany sprz─Öt, w tym procesory, pami─Öci i komponenty mocy, kt├│re s─ů potrzebne do spe┼énienia wysokich wymaga┼ä proces├│w przetwarzania i minimalizacji zu┼╝ycia energii. Wszystkie te bloki posiadaj─ů wsparcie ┼Ťrodowiska programistycznego, zawieraj─ůcego narz─Ödzia programistyczne, oprogramowanie sterownika kamery, przyk┼éadowe projekty aplikacji referencyjnych oraz obszerny know-how dotycz─ůcy oprogramowania do przetwarzania obrazu i algorytm├│w.


Rysunek 2. Wbudowane rozwi─ůzania rozpoznawania wizyjnego, ┬ę Avnet

Opr├│cz pomocy w opracowywaniu w pe┼éni niestandardowych rozwi─ůza┼ä pomagaj─ůcych klientom w projektowaniu ich wbudowanych platform i system├│w wizyjnych, Avnet Silica posiada r├│wnie┼╝ szerok─ů gam─Ö gotowych rozwi─ůza┼ä. Takim przyk┼éadem jest bardzo elastyczny zestaw ewaluacyjny PicoZed opracowany na module SoM (System-on-Module) i oparty o programowalny uk┼éad SoC Xilinx Zynq-7000. Zestaw PicoZed idealnie nadaje si─Ö do aplikacji rozpoznawania wizyjnego w maszynach. Wyposa┼╝ono go we wszystkie niezb─Ödne z┼é─ůcza, uk┼éady, kable, modu┼é kamery, oprogramowanie i elementy IP konieczne do rozwoju niestandardowych aplikacji wideo. Obs┼éuguje reVISION, rekonfigurowalny stos sprz─Ötowej akceleracji zoptymalizowany do oblicze┼ä i aplikacji uczenia maszynowego. Stos zawiera zasoby dla platformy, algorytmu i rozwoju aplikacji, ma przyspieszone sprz─Ötowo funkcje OpenCV i obs┼éuguje najbardziej popularne sieci neuronowe.


Rysunek 3. Zestaw ewaluacyjny PicoZed

Avnet Silica kontynuuje rozw├│j i dodaje kolejne produkty do szerokiego zestawu gotowych aplikacji, umo┼╝liwiaj─ůc kluczowym klientom szeroki wyb├│r zaawansowanych i wbudowanych system├│w rozpoznawania wizyjnego.
reklama
reklama
Załaduj więcej newsów
December 05 2018 15:01 V11.10.4-1