Cookie Settings
Cookie Settings
Always Active

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Other cookies are those that are being identified and have not been classified into any category as yet.

No cookies to display.

Arduino Pro Portenta gjør utviklingen av maskinsyn til industrielle bruksområder raskere

Bruksområder for industriell automasjon og datasyn

Industry 4.0 er årsaken til den dramatiske veksten i bruken av et bredt spekter av industriell tingenes internett (IIoT)-enheter som brukes innen industriell automatisering. IIoT-enheter brukes til å overvåke og kontrollere produksjonsanleggets bestanddeler, og brukes også til å måle og analysere tilstanden til utstyr som en del av et vedlikeholds-, reparasjons- og overhalingsregime.

Sensorer er viktige, alt fra temperaturmålinger til væsketrykksensorer og kameraer for maskinsyn. Sensorer brukes også til å overvåke vibrasjon ved hjelp av å lydbehandle nevrale nettverksalgoritmer på data hentet fra digitale mikrofoner. Maskinsyn er også en avgjørende teknikk, som for eksempel brukes til å sikre at flasketiketter er festet riktig på en produksjonslinje for tapping eller i funksjonelle sikkerhetsapplikasjoner for å isolere utstyr hvis produksjonspersonell skulle komme inn i et usikkert område.

Aritektur for en maskinsyn-løsning

I en hvilken som helst moderne fabrikk kan du finne datamaskinbasert synsbehandling i en rekke forskjellige applikasjoner. Maskinsyn er avhengig av bruk av ett eller flere videokameraer koblet til et datasystem. Oppgavens art vil avgjøre kompleksiteten i behandlingen og de nødvendige beregningsressursene. For eksempel krever en applikasjon som godtar eller avviser flasker basert på hvor nøyaktig en etikett er festet, kanskje ikke flere kameraer og intensive databehandlingsressurser. En algoritme som oppdager kantene på etiketten innenfor et forhåndsdefinert område på flasken, er relativt enkelt ved hjelp av programvarebaserte Kalman-filtre.

Imidlertid er en applikasjon som må skille lemmene til en hydraulisk presse fra metallpanelene som behandles og selve utstyret mer komplisert. Denne applikasjonen krever et nevrenettverk med maskinlæring og kan kreve flere forskjellige kameravinkler for å tilfredsstille funksjonelle sikkerhetskrav. Det konvolusjonelle nevrale nettverket er best egnet for visjonsbaserte objektdetektering og må trenes før igangsetting. Når den er trent, kalles bruken av et nevralt nettverk inferens. Treningsprosessen undersøker hundrevis av riktige og uriktige bilder for å identifisere og trekke ut funksjoner for å hjelpe med klassifisering. Se et eksempel på arkitekturen på en visjonsbehandlingsløsning Figur 1.

Figur 1 – Arkitekturen på en enkel visjonsbehandlingsløsning

Fra et applikasjonsperspektiv er det flere praktiske hensyn som utviklingsteamet bør gå gjennom. Disse inkluderer typen objekter som skal oppdages, omgivelseslysforholdene i deteksjonssonen, hvor raskt objektene passerer innenfor kameraets synsfelt, hastigheten på objektidentifikasjon som er påkrevd, og om det er nødvendig med flere kameravinkler for å fullføre oppgaven på en pålitelig måte.

Driftsmiljøet trenger også å undersøkes; for eksempel er det nødvendig med inntrengningsbeskyttelse for kameraet og kontrollelektronikken for applikasjoner som er utsatt for støv og fuktighet. Vibrasjon og sjokk kan også forstyrre bildekvaliteten og gjøre deteksjonen mindre pålitelig.

Tidspunktet for gjenkjenning av gjenstander eller funksjoner er kritisk. Produksjonslinjer kjøres ofte med høy hastighet for å opprettholde fabrikkens effektivitet og oppfylle gjennomstrømningsmål. I eksemplet med det enkle tappeanlegget ovenfor, må datavisningsapplikasjonen fange bildet nøyaktig, behandle det, bestemme etikettstatus i tide for å beholde eller avvise handlinger på den identifiserte flasken.

Vi presenterer Arduino Pro Portenta og Portenta Vision Shield

Den nylig lanserte Arduino Pro Portenta-plattformen er en ideell mikrokontrollerplattform for å prototype industrielle maskinsynløsninger.

Opprinnelig utviklet som en pedagogisk prototypeplattform for hobby og produksjon, har Arduino-familien med mikrokontroller-utviklingskort fortsatt å utvikle seg for å dekke de krevende behovene til innovatører og produsenter av industrielt utstyr.

Arduino har startet karrieren til mange unge elektronikkstudenter og er et rimelig og svært allsidig enkeltkort-system for innovatører som ønsker å prototype nye produktideer. Arduinos åpne kildekode, kombinert med det voksende utvalget av tilleggskort og omfattende programvarestøtte fra elektronikkindustrien, har etablert Arduino som en plattform for mange nye produktdesign.

Den neste fasen i Arduinos historie startet nylig med Arduino Pro-serien med kort og moduler rettet mot industrimarkedet. Arduino Portenta H7 med to kjerner er den første i Pro-kortserien som tilfredsstiller kravene til industrielle og kommersielle applikasjoner. Portenta H7 er godt utstyrt for industrielt maskinsyn. Den er produsert i det populære Arduino MKR-formatet som gir tilgang til alle eksisterende Arduino-tilbehørskort og shield. Portenta Vision-shield, tilgjengelig med enten Ethernet-kablet eller LoRa-grensesnitt, er ideelt for industrielle maskinsyn-applikasjoner.

Arduino Portenta H7 har en STMicro STM32H747XI lav-effekt mikrokontroller utstyrt med Arm Cortex-M7 og Arm Cortex-M4 kjerner. Begge kjernene har floating-point (FPU), M7 FPU gir dobbel presisjons beregninger. M7-kjernen kan operere på opptil 480 MHz og M4-kjernen opptil 240 MHz. M4-kjernen har også en integrert adaptiv sanntidsakselerator-GPU designet spesielt for å kjøre nevrale nettverksalgoritmer. Strømstyring av H7 er aktivert ved å bruke tre strømdomener som enten kan slås på/av med applikasjonen eller av clock gating. En enkelt 5 VDC-kilde driver Portenta, og når den er i hvilemodus med RTC aktivert er strømforbruket vanligvis 2,9 uA. En innebygd PMIC gjør det mulig å lade et Li-Po/Li-Ion-batteri.

Kortets perifere grensesnittfunksjoner inkluderer flere I2C-, USART-, SPI- og CAN-porter, et 8-biters kameragrensesnitt og en MIPI DSI-vert. Analog til digital støtte inkluderer to 12-biters DAC og tre 16-biters ADC.

Arduino Portenta Vision-shield kobles til Portenta H7 via high density-kontakter. Det integrerte Himan HM-01B0-kameraet med svært lavt strømforbruk har QQVGA- og QVGA-utganger med bildefrekvenser fra 15 fps til 120 fps. To MEMS-mikrofoner er også integrert. Dual-core-egenskapene til Portenta H7 tillater kjøring av MicroPython-kode og Arduino C-skisser på de separate kjernene.

Programvaresupport gir raskere implementering av maskinsyn

Portenta H7 og Portenta Vision-shield støttes fullt ut av en forbedret versjon av populære Arduino IDE. I tillegg er en skybasert redigerer og et redigeringsprogram for kommandolinjer tilgjengelig. Komplett kamera- og mikrofonbibliotekstøtte er tilgjengelig via Arduino 2 IDE, og Arduino -nettstedet har flere forskjellige opplæringsprogrammer.

Open-source machine vision learning framework, OpenMV og OpenMV IDE støtter Portenta-kortene. OpenMV er basert på Python og gir muligheten til utvikling av MicroPython-baserte maskinsyn-applikasjoner på Portenta H7. For eksempel finner man på Arduino-nettstedet opplæring i klassifisering av maskinsyn ved bruk av OpenMV og Edge Impulse.

Figur 3 – Enkel opplæring og distribusjon av bildeklassifisering (kilde Arduino)

Det nevrale nettverket bruker bildeklassifiseringsteknikker for å oppdage epler og bananer, men konseptene som brukes og prosessen som følges kan også gjelde for en flaskemerkingsprosess.

Arduino Pro Portenta – gjør det raskt å komme i gang med ditt maskinsyn-design

For embedded-utviklere og industrielle applikasjonsdesignere kan det være en skremmende opplevelse å gå i gang med et maskinsynprosjekt. Å gripe fatt i konseptene til en nevral nettverksalgoritme er nok av en utfordring før du velger en passende prototypeplattform. Imidlertid forenkler Arduino Portenta H7 og Portenta Vision-shield utviklingsprosessen betydelig. I tillegg, med støtte fra utprøvde og godt støttede maskinlæringsrammer, biblioteker og opplæringsprogrammer, har utfordringene med å utvikle et maskinsyn-program blitt mye mindre.

Arduino Portenta H7 Mirocontroller Board

Arduino Portenta Vision Shield

Total
0
Shares
Forrige innlegg

Rohde & Schwarz Test & Måling – Utfordringer ved utvikling av kretser med lavt effektforbruk

Neste innlegg

Sikkerhetsbrytere for industribruk

Relaterte innlegg