解决了视觉检测数据问题—

工厂地板数据的问题是条件不断变化。稀疏建模，最近从学术空间演变的AI方法可能会解决这个问题，因为它只需要一个小数据集。一个益处 - 它适用于超低功耗嵌入式计算平台。

丹•Demers，销售和营销，康复美洲主任

人工智能在提高现代视觉检测系统的性能和准确性方面有着巨大的潜力。但传统的人工智能方法也有一些缺点:

-基于视觉的深度学习必须处理图像的每个细节，以提供可靠的结果。这是能量和计算密集型的——在处理器和内存之间有大量的数据移动。在一个小时内，一台60帧/秒、超高清分辨率和8位色彩深度的相机可以产生多达5.18 tb的未压缩数据进行分析。

- 传统的ai需要大量的图片来制定可靠的预测，这消耗了大量的时间和能量。此外，最近的研究表明，基于深度学习技术的单一AI模型在整个生命周期内污染到多达5辆汽车的环境。嵌入式系统无法提供此类计算性能;只有数据中心可以。

- 在几天或几周内，不需要在几天或几周内提供的常规深度学习的AI所需的培训数据。它可能需要一整年甚至更长的时间来收集从生产线的1,000多种缺陷部分的图像。如果在该年内修改生产过程，则可能发生了更好或可能缺陷的性质的定义可能发生了变化，使先前收集的数据几乎无用。

- 在可以编译推理算法之前，可以在能够在智能工厂边缘做出决策之前，通过深度学习来始终通过深度学习来始终需要服务器等级培训。并且每套新的图片都需要相同的资源密集培训。对于替换以前的每个新推理模型，再次重复能量和时间浪费过程。这是一个恶性循环。

-作为工业世界的骨干，嵌入式系统是可靠的和故障安全的。它们通常具有低计算能力，在一个完全封闭的外壳中无风扇操作。通过推理逻辑将人工智能嵌入到这些系统中会带来更高的性能要求。如果嵌入式系统的隔热层中没有额外的空间，那么在人工智能的作用下，其耐久性可能会下降。他们还需要一个向中央云传输大数据的渠道。这将消耗额外的能量，并经常产生昂贵的数据流量。这就是为什么到目前为止，人工智能的好处仅限于高计算环境和向外部云传输边缘数据的能力。

在边缘稀疏建模
稀疏建模提供了一种不同的方法和更广泛的途径，将人工智能引入嵌入式低功耗应用程序。通过在边缘进行再训练，它可以不断地、动态地调整以适应不断变化的条件，比如灯光、振动等，或者当摄像机和/或设备需要移动时。

测试表明，在相同的精度水平下，稀疏建模只消耗传统深度学习平台1%的能量。因此，它是一种适用于嵌入式系统的人工智能技术。

稀疏建模通过关注识别独特的特征来理解数据。稀疏建模理解数据的方式类似于人类的思维方式。人类根据眼睛或耳朵等关键特征来识别朋友和家人。稀疏建模将类似的逻辑嵌入到智能视觉系统中，因此不需要像传统人工智能那样处理整个大数据量。因此，基于稀疏建模的算法将数据减少到只有独特的特征。

当出现新数据时，稀疏建模不是扫描整个新条目，而是寻找之前确定的关键特性的出现。这种方法的一个额外好处是，孤立的特征对人类来说是可以理解的，所以稀疏建模产生了一个可解释的白盒人工智能——这是与传统人工智能的另一个区别。

在最初的模型创建阶段，人工智能引擎和特定于客户的数据被合并，以创建为特定用例量身定制的模型，主要依赖于人类专业知识。标准的新推理模型只需要大约50张图片来创建初始模型。这使得工程师能够构建下一代检测系统，而不总是需要最好的级别设置，例如，当照明条件是恒定的。它们还获得了更大的灵活性，以适应不断变化的生产流程，这对工业物联网/工业4.0驱动的批量生产至关重要。

嵌入式边缘设备的稀疏建模
稀疏建模平台是轻量级和资源高效的，可以嵌入到或多或少的任何边缘设备中。它可以运行在嵌入式x86计算平台上，并有望在Xilinx和ARM或Altera和RISC-V等平台上实现。兼容主流x86处理器和当前正在出现的开源选项，这使得设计具有未来的证明。然而，由于最终占用空间取决于要解决的任务和所需模型的复杂性，建议使用基于“模块上计算机”(Computer-on-Modules)的模块化硬件平台。

支持稀疏建模软件的第一个congatec conga-QA5计算机模块上代码基于英特尔最新的低功耗微架构代码Apollo Lake，可用于系列生产。

制造业和医疗领域的稀疏建模先驱是Hacarus。该公司专注于在工业和医疗应用案例中帮助客户，在这些案例中，罕见情况无法产生训练基于深度学习的人工智能模型所需的所有大数据。另一个应用领域是精密制造，边缘节点缺乏并行执行推理和训练的计算能力，而且由于机密性或连接性的考虑，将数据发送到云是不可行的。

稀疏建模是能源友好的
作为工业客户的项目的一部分，Hacarus对其稀疏建模工具和传统的基于深度学习技术进行了比较。对于此示例，研究两种模型使用1,000个图像的数据集以创建预测。客户已将已接受的模型预测概率定义为90％。

这两种方法都产生了相似的结果，但所需的努力却有显著的不同:即使稀疏建模工具运行在标准x86系统上，带有Intel Core i5-3470S处理器和16gb RAM，基于稀疏建模的模型的训练速度还是比基于深度学习的模型快5倍。所需的深度学习模型基于工业级Nvidia DEVBOX开发平台有四个泰坦X GPU每GPU 12 GB的内存,64 GB DDR4 RAM,华硕X99-E WS工作站类主板4路PCI-E Gen3 x16支持和6核心3.5 ghz酷睿i7 - 5930 k桌面处理器。

稀疏建模方法消耗的能量是基于深度学习方法的1%，但精度相同。

只需要50张照片

较小的需要占地面积和性能努力使Vision Systems OEM实现AI即可轻松。现有平台解决方案通常可以重复使用，并且系统集成与Hacarus + SDK（软件开发套件）逻辑适应公共视觉检测系统而没有太多的设置，因此系统集成相对简单。虽然现有的视觉检查系统可以继续执行他们的主要检查，但该软件仅处理那些被确定为“不好”的图像，这意味着“可能缺陷”。

使用大约50张或更少的这样的图像，稀疏建模可以开始构建一个新的检测模型。一旦经过人工检查人员的验证，它就可以作为现有平台旁的第二个检查循环运行，并将检查结果通过api返回到已建立的系统。

一个可选的基于HTML的用户界面可用于监视工作。它也可以独立运行，但由于视觉数据预处理不是稀疏建模的核心能力，因此建议与现有的视觉逻辑连接。稀疏建模工具可以在客户的软件环境中作为标准安装来实现，或者利用hypervisor隔离的虚拟机云;甚至基于定制载波板的FPGA实现也可以进一步减少所需的功率包络。(Hacarus的AI稀疏建模工具的1.0版本作为可立即部署的启动套件的一部分可用。该套件可以独立运行该工具，也可以连接到现有的视觉系统。)

稀疏建模是厂房准备，支持行业标准图像采集通道，如GigE或USB 3.x.安装需要3个简单步骤：

通过工具的API与已安装的图像采集系统连接;
获取图像的训练算法;
使用人工检查人员调整算法。

不需要外部云培训。所有人工智能训练和基于推理系统的预测都在边缘计算设备中运行。很容易训练基于视觉的智能，如“门是打开的”或“开关在错误的位置”，它最终比编程解决方案与许多“如果然后其他”行代码更快地训练和执行，等等。

稀疏建模也适用于图像数据分析和时间序列数据分析。用于预测性维护目的，这使得它成为机器制造商感兴趣的物联网和工业4.0边缘逻辑。

具有可扩展硬件平台的初学者工具包
Starter套件已由Hacarus编制，与日本半导体贸易公司Paltek合作，可以在任何GigE和USB 3.x环境中进行部署和测试。它是根据使用标准计算机上模块的掌状工业盒PC设计的。系统测量173 x 88 x 21.7 mm（6.81英寸x 3.46。x 0.85英寸）。由于最新的Intel Atom和Celeron Processors（Codename Apollo Lake）提供了良好的性能，可提供串联生产。该系统基于X86处理器适用于低功耗，高性能应用。

稀疏建模平台集成了Congatec Qseven计算机上模块，以获得最灵活的性能可扩展性。

该系统还具有丰富的I/ o集，可以在终端用户的工厂中进行不同的设置。标准接口是2 x GbE准备GigE Vison, 1 x USB3.0/2.0, 4 x USB2.0和1 x UART (RS-232)。扩展可能与2 x Mini-PCIe USIM插座，1 x mSATA插座和16位可编程GPIO。直流电压输入范围为9v - 32v。

基于Congatec的QSeven计算机上模块，系统在英特尔的CPU世代基于CPU选择和升级性提供灵活性。由SGET标准化机构为嵌入式计算技术指定的计算机上模块标准的主要优点之一是它支持ARM和X86平台。这使得低功耗形式因子模块未来证明，因为它还适用于新的稀疏建模设置，与客户的不断的应用程序在一起。

congatec
www.conatec.com/en.

Hacarus Inc.
hacarus.com