SICK soveltaa reunalaskentaa ja tekoälyä konenäköön perustuvissa anturiratkaisuissa. Teknologia mahdollistaa korkean resoluution kuvien reaaliaikaisen käsittelyn ja tukee koneoppimismallien tehokasta käyttöönottoa anturijärjestelmissä.

1. Yrityksen kuvaus

• SICK AG on maailman johtava älykkään tarkastusteknologian toimittaja, joka tarjoaa sekä valmiiksi konfiguroituja että räätälöitäviä konenäköratkaisuja automaatio- ja logistiikka-aloille.
• Yritys on erikoistunut kehittämään täysin integroituja kamerajärjestelmiä, jotka tuovat tekoälyn (AI) suoraan reunalaitteisiin.
• Tapaustutkimusaineistossa ei mainita yrityksen tarkkaa kokonaishenkilöstömäärää.

2. Mikä ongelma tekoälyn oli tarkoitus ratkaista?

• SICKin piti toimittaa suorituskykyisiä, nopeita konenäkösovelluksia, jotka pystyivät suorittamaan monimutkaisia tarkastus- ja viivakoodinlukutehtäviä reaaliajassa korkearesoluutioisia kuvia käyttäen.
• Suurten kuvakokojen, pikselitarkan käsittelyn ja vaadittavien korkeiden suoritusnopeuksien yhdistelmä edellytti erittäin integroitua piiriä, joka tarjoaa maksimaalisen käsittelytehon ja laitteistokiihdytyksen.
• Samalla näiden reunaratkaisujen piti pysyä yksinkertaisina käyttää, jotta SICKin asiakkaat pystyivät kouluttamaan ja konfiguroimaan järjestelmiä nopeasti tarvitsematta itse muuttua tekoälyasiantuntijoiksi – ja kaikki tämä tiukkojen teho- ja tilarajoitteiden puitteissa.

3. Miten ongelma ratkaistiin ja millä työkaluilla?

• SICK rakensi älykkään konenäköalustan hyödyntäen AMD: n FPGA-piirejä ja adaptiivisia SoC-järjestelmiä, erityisesti ottamalla käyttöön AMD Kintex™ UltraScale+™ -piirin Lector- ja Inspector-kameraperheissään (kuten 83x- ja 85x-sarjoissa).
• Tämä laitteistoarkkitehtuuri yhdistettiin AMD FINN -avoimen lähdekoodin koneoppimiskehykseen ja sisäiseen syväoppimisen prosessointiyksikköön erittäin optimoidun, ohjelmoitavan FPGA-kiihdyttimen luomiseksi.
• Käyttäjän konfiguroinnin yksinkertaistamiseksi SICK kehitti Nova 2D SensorApp -sovelluksen, syväoppimiseen perustuvan työkalusarjan, jonka avulla sekä asiantuntija- että ei-asiantuntijakäyttäjät voivat kouluttaa neuroverkkoa intuitiivisen käyttöliittymän kautta.
• Erittäin monimutkaisiin tehtäviin järjestelmä yhdistyy pilvipohjaisiin koulutusominaisuuksiin, jolloin asiakkaat voivat luoda mukautettuja neuroverkkoja investoimatta omaan infrastruktuuriin.

4. Mitä tuloksia saavutettiin?

• Integroitu arkkitehtuuri mahdollisti onnistuneesti 5–12 megapikselin kuvien nopean tallennuksen, pakkauksen, esisegmentoinnin ja tekoälyn neuroverkkokäsittelyn reaaliajassa.
• Logistiikkasovelluksissa alusta paransi merkittävästi viivakoodinluvun tarkkuutta ja suoritusnopeutta arvaamattomissa olosuhteissa, mikä vähensi pakettien uudelleenskannauksen tarvetta.
• Käyttäjät voivat kouluttaa ja konfiguroida antureita nopeasti, ja tulokset ovat käytettävissä minuuteissa.
• Toiminnallisesti ohjelmoitava joustavuus antaa SICKille mahdollisuuden räätälöidä piirikonfiguraatiota niin, että monimutkaiset tekoälypäättelyt toimivat kiinteän kuvataajuuden puitteissa, skaalautuen tehokkaasti matalan viiveen suoratoistokäsittelystä yleiskäyttöisiin tekoälyn näkötehtäviin.
• Lisäksi tarvittavan tekoälyprosessointitehon integrointi yhteen laitteeseen piilotti laitteiston monimutkaisuuden, joten asiakkaat voivat käyttää reunatekoälyä huolehtimatta teknisistä toteutusyksityiskohdista.

5. Mitä ongelmia ilmeni?

• Tapaustutkimus ei raportoi negatiivisia teknisiä epäonnistumisia, virheitä tai toteutushäiriöitä kehityksen aikana.
• Siinä todetaan, että päähaasteina olivat reunalaskennan tiukkojen teho- ja tilarajoitteiden voittaminen sekä suurten, korkearesoluutioisten pikselitietojen käsittelyn monimutkaisuuden hallinta korkeilla nopeuksilla.

6. Aika- ja rahainvestoinnit

• Tapaustutkimuksen dokumentaatiossa ei mainita konkreettisia taloudellisia investointilukuja, projektin sopimushintaa tai tarkkaa aikataulua.
• Siinä todetaan, että käyttöliittymä tuottaa koulutuksen konfigurointitulokset vain minuuteissa, ja pilvipohjainen koulutus säästää asiakkaita tekemästä omia raskaita pääomasijoituksia koulutusinfrastruktuuriin.

7. Millaista osaamista tarvittiin ja mitä yhteistyökumppaneita käytettiin?

• Projekti vaati erikoisosaamista konenäkösovelluksista, reunatekoälyn laitteistokiihdytyksestä, neuroverkkojen suoratoistokäsittelystä, räätälöidystä piiriohjelmoinnista ja syväoppimismallien koulutuksesta.
• Tämän ratkaisun päästrateginen kumppani oli AMD (Advanced Micro Devices, Inc.), joka hyödynsi Kintex UltraScale+ FPGA-laitteistoaan ja FINN-avoimen lähdekoodin koneoppimiskehystään.

8. Liiketoimintafunktion luokitus

• Projekti kuuluu tuote-/palvelukehitykseen ja tuotannolliseen toimintaan, sillä siinä suunniteltiin ydinlaitteisto- ja ohjelmisto-ominaisuuksia SICKin kaupallisille anturituotesarjoille.
• SICKin loppukäyttäjien näkökulmasta se tukee suoraan teollista automaatiota, laadunvarmistustarkastuksia ja logistiikan toimitusketjutoimintaa.

9. Lähde

Scalable, Real-Time AI, Enabled by AMD, Accelerates SICK Intelligent Sensor Solutions