机器学习和机器视觉更适合实时边缘处理
在物联网的世界里，设计师可以通过配套技术进行创新。在这篇由 Digi International 首席物联网技术经理 Andreas Burghart 撰写的文章中，您可以探索医疗和工业物联网 (IIoT) 如何推动创新迈入发展的新台阶。
机器学习 (ML) 和机器视觉 (MV) 如何改变我们的世界
机器学习技术可以应用于广泛的机器视觉图像处理或分类任务。此外，鉴于这些应用的规模，为越来越多的各色物联网产品添加 ML 和 MV 功能变得越来越经济高效。
机器视觉系统通常使用工业摄像头模块内部的数字传感器，对图像进行处理和分析。当与机器学习一起使用时，机器视觉应用能够可靠而稳定地执行复杂的任务。
在医疗保健应用中，它们可以监测患者或检测放射图像中的异常，改善患者护理甚至挽救生命。
在工业环境中，它们可以对传送带上的许多相同物品进行质量控制检查，不会出现错误，也不知疲倦。事实上，在几乎需要视觉监测的所有大规模生产过程中，机器视觉都能带来成本节约和质量控制的优势。
机器学习与机器视觉相结合的商业优势
虽然机器学习和机器视觉相结合具有诸多优势，但最重要的优势是推动实际运营改善并影响盈亏线。
- • 提高产品质量：检查、测量、计量和组装验证。
- • 提高生产力：例行的重复性任务可以快速、自动执行，让员工腾出时间从事更有价值的活动。
- • 降低成本：向设备添加 MV 功能可以提高性能并延长使用寿命。MV 系统在工厂环境中也比操作员占用的空间更少，并且不需要相同级别的安全基础设施。
为何在边缘进行计算？
ML/MV 应用程序实时运行。借助边缘计算，应用程序可以更靠近业务的实际生产地进行处理。在带宽或延迟受到限制的情况下，边缘计算非常有利，例如在制造设施中，当物品在传送带上滚动时，ML/MV 系统每分钟可检查几十件物品。
边缘计算的性能优势
当今的计算工作正在向边缘转移，以实现效率和性能的大幅提升，包括以下方面：
- 降低延迟：边缘计算提供更快的响应时间，使用时不需要在数据和服务器之间往返。
- 离线操作能力：在通信中断的情况下，系统可以自行收集、存储和处理数据。
- 降低成本：随着数据流的减少，网络成本也随之降低。
- 降低功耗：由电池供电的物联网设备可以节省功耗，因为发送的数据更少。
工具和软件助力成功实施
创建一个机器学习解决方案不是一件小事。为基于机器学习的边缘图像处理提供合适的硬件、开发工具和软件组件，大大有助于成功实施。
Au-Zone Technologies 为在性能受限的嵌入式设备上开发基于机器学习的成像系统提供了一个工具包。该公司的推理引擎支持 MCU、CPU 和 GPU 内核，具有一个标准的工作流和模型格式，提供跨平台的灵活性和可移植性。Digit ConnectCore® 8X 系统化模块 (SOM) 包含 MCU、CPU 和 GPU 处理内核，允许推理引擎在任何这些计算资源上高效运行。