Lyhyt kuvaus: 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

Avainsanat:
koneoppiminen, syväoppiminen, konenäkö, reunalaskenta, toimitusketjun optimointi, laadunvarmistus, pilvipalvelut, järjestelmäintegraatiot