Skip to main content

预测性维护

用于工业边缘的模块化机器视觉

产业优势

AI 格局正在迅速发生变化。多数情况下,对将需要数年(如果不是数十年的话)部署的自动质量检验系统和自主机器人等工业视觉系统而言,这种变化显得过于迅速。

如果您是系统集成商、原始设备制造商 (OEM) 或尝试充分利用机器视觉系统的工厂操作员,您如何根据未来需求对平台进行改造,同时,对于需要仅在引入下一个将产生重大影响的 AI 算法或架构之前数月或数周内启动设计,您如何克服与此相关的焦虑呢?

为了回答这个问题,我们来拆解一个典型的机器视觉系统并从中寻找答案。

机器视觉系统剖析

历史上,工业机器视觉系统由摄像头或光学传感器、用于点亮捕获区域的照明装置、主机电脑和/或控制器以及帧捕获器构成。帧捕获器让人特别感兴趣,因为它是以比摄像头更高的分辨率捕获静止帧的设备,可通过 AI 或计算机视觉算法来简化分析。

摄像头或光学传感器通过 CoaXPress、GigE Vision 或 MIPI 等接口直接连接到帧捕获器。通常情况下,帧捕获器本身是一个插槽卡,它插入到视觉平台或电脑中,并通过 PCI Express 与主机进行通信。

除了能够捕获更高分辨率的图像外,帧捕获器的优势还包括能够一次性在多个摄像头上进行同步和触发,并可在捕获静止截图后立即执行本地图像处理(如颜色校正)。这不但降低了从其他某个位置传输图像以进行预处理的延迟和潜在成本,而且还可以释放主机处理器,以便运行推理算法,执行相应的控制功能(如关闭传送带)和其他任务。

在某些方面,此架构比在该链中集成不同子系统的新型架构更加复杂。但是,它的可扩展性更强,并提供了更高程度的设计灵活性,因为您可以实现的图像处理性能仅受主机电脑或控制器中可用的插槽数量限制。

也就是说,受主机处理器与帧捕获器之间带宽大小限制。

利用 PCIe 4.0 满足未来需求

对于机器视觉系统,特别是那些依赖多个摄像头和高分辨率图像传感器的系统,系统带宽可能会迅速成为问题。例如,4MP 摄像头需要约 24 Mbps 的吞吐量,就其本身而言,这很少对 PCIe 3.0 互连提供的每通道 1 Gbps 的数据传输速率产生影响。

但是,大多数机器视觉系统都接受来自多个摄像头的输入,因此会采集多个数据流,这会迅速耗尽带宽。添加一或两个 GPU 或 FPGA 加速卡以实现高精度、低延迟 AI 或执行计算机视觉算法,这时,在外设与主机处理器之间,您会遇到潜在的带宽瓶颈。

这个时候,许多工业机器视觉集成商需要开始做出取舍。您要么添加更多主机 CPU 以缓解带宽不足问题,选择基于背板的系统并使加速卡在设计中发挥更大作用,要么选择已经集成加速器的主机电脑或控制器。无论如何,您需要投入大量成本,满足散热和功耗要求,并遭遇嵌入式系统工程师耳熟能详的许多其他障碍。

或者,您也可以选择配有下一代 PCIe 接口的平台,如物联网解决方案开发商 SECO 的 CALLISTO COM Express 3.1 Type 6 模块(图 1)

SECO 的 CALLISTO COM Express 3.1 模块配有一个 PCI Express 显卡 (PEG) Gen4 x8、多达两个 PEG Gen4 x4 和多达 8 个 PCIe 3.0 x1 接口,用于处理要求严苛的机器视觉工作负载。
图 1。SECO 的 CALLISTO COM Express 3.1 模块配有一个 PCI Express 显卡 (PEG) Gen4 x8、多达两个 PEG Gen4 x4 和多达 8 个 PCIe 3.0 x1 接口,用于处理要求严苛的机器视觉工作负载。(资料来源:SECO

SECO 首席产品官 Maurizio Caporali 表示,SECO CALLISTO COM Express 模块搭载第 13 代英特尔® 酷睿 处理器,支持一个 PCI Express 显卡 (PEG) Gen4 x8 接口,多达两个 PEG Gen4 x4 接口以及多达 8 个 PCIe 3.0 x1 接口。Gen4 PCIe 接口的带宽是其对应 PCIe 3.0 接口的两倍,约为每通道 2 Gbps,基本上,这会在您的机器视觉平台上生成两倍的视频通道,而不会造成任何其他影响。

Caporali 解释说,第 13 代英特尔® 酷睿 处理器进一步提升了机器视觉的优势,包括提供多达 14 个 P-core(性能核)和 E-core(能效核)以及多达 96 个英特尔锐炬® Xe 显卡执行单元,用户可根据工作负载情况利用它们来优化系统性能、功耗和散热。所有这些功能的功耗为 15W 和 45W TDP,具体因 SKU 而异,并由尺寸仅为 95 毫米 x 125 毫米的工业级、基于标准的 SECO 模块提供。

更为简化的是,该平台兼容 OpenVINO 工具套件,这优化了计算机视觉算法,便于在上文提到的任何核心架构上进行部署,以实现最佳性能。此外,CALLISTO 用户还可以利用 SECO 的 CLEA AI 即服务 (AIaaS) 软件平台 — 一个基于 API 的可扩展数据编排、设备生命周期管理和 AI 模型部署边缘/云解决方案。利用该平台,机器视觉用户可以逐步改进 AI 模型的性能,并以无线方式更新其端点。

Caporali 说:“要管理将远程部署到您设备队列中的 AI 应用和模型,CLEA 至关重要。当客户在现场有数千或数百台设备时,CLEA 为可轻松扩展的远程管理创造了机会。”

用于工业边缘的模块化机器视觉

创建工业机器视觉解决方案是一个需要投入时间、成本和资源的重要任务。这不仅需要装配小众技术,如 AI、高速摄像头、高清镜头和专用视频处理器,而且这些复杂的系统还必须长期创造最大价值,以证明投资的合理性。

为保障这一点,一种方法是对系统架构进行模块化设计,以便随着时间推移对各种元件进行升级。利用基于帧捕获器构建的机器视觉平台架构,原始设备制造商 (OEM)、集成商和用户不但可以根据需要扩展其视频处理能力和摄像头支持,而且,COM 模块(插入定制载卡中)的模块化架构也允许主机电脑或控制器自身执行相同的操作。因此,经过一定程度的审慎考虑,您只需升级 CALLISTO 的载板设计即可满足未来的机器视觉需求,这一切都归功于采用了全模块化的设计方法。

简言之:机器视觉工程师不再焦虑。
 

本文由 insight.tech 的副主编 Christina Cardoza 编辑。

作者简介

Brandon is a long-time contributor to insight.tech going back to its days as Embedded Innovator, with more than a decade of high-tech journalism and media experience in previous roles as Editor-in-Chief of electronics engineering publication Embedded Computing Design, co-host of the Embedded Insiders podcast, and co-chair of live and virtual events such as Industrial IoT University at Sensors Expo and the IoT Device Security Conference. Brandon currently serves as marketing officer for electronic hardware standards organization, PICMG, where he helps evangelize the use of open standards-based technology. Brandon’s coverage focuses on artificial intelligence and machine learning, the Internet of Things, cybersecurity, embedded processors, edge computing, prototyping kits, and safety-critical systems, but extends to any topic of interest to the electronic design community. Drop him a line at techielew@gmail.com, DM him on Twitter @techielew, or connect with him on LinkedIn.

Profile Photo of Brandon Lewis