Startseite » Machine Learning »

Sicher sehen in einer unsicheren IoT-Welt mit Deep-Learning-Algorithmen

Heterogene Computing-Architekturen beschleunigen den Fortschritt bei intelligenten Kameras
Sicher sehen in einer unsicheren IoT-Welt mit Deep-Learning-Algorithmen

An der Schwelle zur nächsten industriellen Revolution ist das maschinelle Sehen eine treibende Kraft, denn intelligentes Sehen kann sogar Deep-Learning-Algorithmen integrieren. So werden kooperative Arbeitsbedingungen zwischen Mensch und Maschine geschaffen. Maschinelles Sehen kann ein wesentlicher Bestandteil von Rückkopplungsschleifen werden, die für kritische Steuerungen erforderlich sind. Am effizientesten lassen sich solche Algorithmen auf heterogenen Systemarchitekturen ausführen.

Die Autoren: Dr. Lars Asplund und Dr. Frederik Bruhn, Unibap AB
 

Inhaltsverzeichnis

1. Intelligente Vision-Systeme
2. Der künstliche visuelle Cortex
3. Effiziente Nutzung aller Ressourcen mit HSA
4. Sicherheit für Machine Vision
 

Mit der Entwicklung kostengünstiger Hochleistungssensorik werden neue Applikationen möglich und das maschinelle Sehen bewegt sich vom „Erkennen – Vergleichen – Entscheiden“ hin zu einem deutlich höher entwickelten „Erkennen – Planen – Agieren“. Vision-Systeme werden so zu leistungsfähigen Augen, die Roboter auch über ihre Position und Umgebung informieren können. Embedded-Prozessoren, wie die Heterogene-System-Architektur (HSA) unterstützenden SoCs der Embedded-G-Serie von AMD und liefern so die passende Rechenkapazität. Zudem wird für eine smarte Robotik noch das Agieren benötigt. Dazu sind Batterien mit hoher Leistungsdichte und energieeffiziente Motoren erforderlich.

Intelligente Vision-Systeme

In Machine-Vision-Systemen wie dem IVS-70 repräsentieren die auf Parallel-Computing basierenden heterogenen SoCs quasi den visuellen Cortex des Menschen. Linsen und optische Sensoren fungieren als Augen und die Hochleistungsverbindungen zwischen den Sensoren und den Recheneinheiten entsprechen den Sehnerven. Ein solches System bietet nicht nur Geschwindigkeit und Auflösung, um mit dem menschlichen Sehvermögen mitzuhalten, es liefert auch präzise dreidimensionale Informationen über Orientierungspunkte und Objekte. Industrielle Anwendungen finden sich dafür beispielsweise beim Heraussuchen unsortierter Objekten aus Behältern: Ist das Vision-System auf einen Roboterarm montiert, leitet es den Roboter eigenständig mit 50 Bildern pro Sekunde und identifiziert das am besten passende Objekt; und dies bereits während sich der Greifarm dem Behälter nähert.

Der künstliche visuelle Cortex

Die ersten Stufen der Informationsverarbeitung beziehen sich ausschließlich auf jedes einzelne Pixel. Sie werden deshalb auch auf einem FPGA ausgeführt. Farbkameras von Machine-Vision-Systemen arbeiten mit dem RGB-Farbraum. Dieses Format ist für exakte Bildberechnungen jedoch nicht geeignet. Deshalb müssen die RGB-Werte zunächst in den HSI-Farbraum (Farbton, Sättigung und Intensität) überführt werden. Als nächstes ist das Bild zu entzerren, um Verzeichnungen durch die Linsen zu kompensieren. Anschließend erfolgt der Stereoabgleich zwischen den beiden Kameras. Diese immer gleichen Schritte werden auf dem FPGA ausgeführt, der den x86-Prozessor unterstützt. Alle folgenden Berechnungen dienen dem Verstehen und Interpretieren der Bildinhalte und sind applikationsspezifisch. Diese anspruchsvollen Aufgaben lassen sich deshalb am besten auf der integrierten x86er-Prozessorplattform ausführen.
Die Interpretation von Bildinhalten ist ausgesprochen komplex. War bisher der menschliche visuelle Cortex der Computertechnologie deutlich überlegen, hat sich das Blatt jedoch aufgrund der technologischen Fortschritte gewendet. Ein hervorragendes Beispiel dafür ist der AlphaGo-Computer von Google. Er hat es als erste Maschine geschafft, den weltbesten Go-Spieler zu besiegen. Dies gelang ihm dank neuronaler Netzwerk-Algorithmen. Heute verfügen wir über die erforderliche Rechenleistung und können so mehr Schichten für den Aufbau neuronaler Netzwerke nutzen. Der Begriff Deep-Learning steht deshalb für ein neuronales Netzwerk mit deutlich mehr Schichten. Dank der heterogenen Architektur können moderne SoCs Deep-Learning-Algorithmen zudem sehr effizient nutzen.
Die x86er-Technologie ist für intelligente stereoskopische Machine-Vision-Systeme zudem auch interessant, weil bereits sehr ausgereifte und optimierte Streaming- und Vektorbefehle verfügbar sind. Zudem gibt es mit unterschiedlichen Betriebssystemen, Algorithmen und Treibern ein sehr umfangreiches und ausgereiftes Ökosystem. Die Shared Virtual Memory (SVM) Initiative sowie die HSA Foundation stellen weitere, x86-Systeme ergänzende Technologien zur Verfügung, die den Durchsatz an Rohdaten erhöhen, was für intelligentes Machine Vision entscheidend ist.

Effiziente Nutzung aller Ressourcen mit HSA

Mit der Einführung der neusten AMD-SoCs gibt es nun auch die passende Hardware, mit der die Algorithmen der künstlichen Intelligenz in verteilter, hochintegrierter Sensorlogik beschleunigt werden können, denn Softwareentwickler können nun auch den Grafikprozessor nutzen. Grafikprozessoren können parallele und rechenintensive Tasks weitaus effizienter bearbeiten als die CPU, sodass eine höhere parallele Rechenleistung zur Verfügung steht. Der Schlüssel liegt in der HSA-Technologie, die in der x86 Welt vor allem von AMD vorangetrieben wird und die zudem auch von vielen weiteren führenden Industrieunternehmen unterstützt wird. Mikroarchitekturen mit HSA-Unterstützung integrieren die spezifischen Fähigkeiten von CPU, GPU und anderen Rechenelementen nahtlos in einem einzigen Chip – der Accelerated Processing Unit (APU) und machen so das bislang brachliegende Potential der GPU nutzbar. Durch den Einsatz offener Standardwerkzeuge wie Matlab oder OpenCL/OpenCV-Bibliotheken vereinfacht HSA zudem auch die Programmierung.
Die AMD-G-Series-System-on-Chips vereinen alle diese oben genannten Features: Mit HSA-Support kombinieren sie die x86-Architektur mit einer leistungsfähigen GPU sowie PCIe und umfassenden I/Os. Darüber hinaus bieten die G-Series-SoCs noch einen weiteren Vorteil, der zwar nicht jedem bekannt aber extrem wichtig ist: Viele Applikationen werden nämlich in sicherheitskritischen Umgebungen betrieben, in denen Mensch und Maschine direkt kooperieren und in denen Machine Vision auch Bestandteil der Rückkopplungsschleifen von kritische Steuerungen ist.

Sicherheit für Machine Vision

Deshalb ist eine hohe Zuverlässigkeit von Vision-Systemen von essentieller Bedeutung. Garantierte Datenintegrität ist eine der wichtigen Voraussetzungen, um Zuverlässigkeit und Sicherheitsanforderungen zu erfüllen. Jede einzelne Berechnung und jede autonome Entscheidung hängt davon ab. Wichtig ist auch, dass im RAM gespeicherte Daten vor Fehlern geschützt sind und dass die Berechnungen in CPU und GPU strikt dem Code folgen. Fehler können jedoch durch so genannte Single-Event-Effekte (SE) entstehen. SEs werden von der immer vorhandenen Neutronen-Hintergrundstrahlung hervorgerufen. In IoT-Applikationen und insbesondere in Machine-Vision-Systemen werden diese Effekte jedoch häufig nicht berücksichtigt. SRAM, der als Cache-Speicher und in Prozessoren eingesetzt wird, ist besonders anfällig. Die SE-Wahrscheinlichkeit für Elektronikgeräte liegt auf Meereshöhe zwischen 10-8 und 10-2 Fehlern pro Betriebsstunde. Das bedeutet, dass alle 100 Stunden ein SE zu einem unerwünschten, gefährlichen Verhalten führen kann. Die Embedded-G-Series-SoCs bieten hier allerdings hohe Strahlungsresistenz und damit die geforderte Sicherheit. ge

Kontakt

40242759

info

Unibap AB
Uppsala/S
Tel. +46 733 90 86 90
Weitere Informationen über das IVS 70:
http://t1p.de/6dn4
Newsletter

Abonnieren Sie unseren Newsletter

Jetzt unseren Newsletter abonnieren

Webinare & Webcasts

Technisches Wissen aus erster Hand

Whitepaper

Hier finden Sie aktuelle Whitepaper

Videos

Hier finden Sie alle aktuellen Videos


Industrie.de Infoservice
Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de