핵심 기술은 임베디드 비전을 위한 성장 역할을 강화합니다

임베디드 비전 기술은 곧 우리 일상의 거의 모든 측면에 영향을 미칠 것입니다. 그러나 이미 사용 중인 기술의 상태는 어떻습니까? 오늘날 AI는 어떤 역할을 합니까? 엣지와 클라우드에서는 무슨 일이 일어나고 있습니까? 이러한 질문은 임베디드 세계 2021에서 트렌드 주제 "임베디드 비전"에 대한 패널 토론의 초점이었습니다.

센서, 프로세서 및 소프트웨어의 발전에 힘입어 임베디드 비전은 농업에서 공장, 자율주행차에서 프로 스포츠에 이르기까지 모든 곳에서 사용되고 있습니다. Covid-19 전염병조차도 공공 감시, 건강 및 안전 검사와 같은 애플리케이션에 사용되는 비전 시스템으로 배포를 가속화하는 데 기여했습니다.

AI 지원 임베디드 비전

개발자가 객체 감지 및 분류를 개선하기 위해 딥 러닝 및 신경망을 점점 더 적용함에 따라 인공 지능(AI)은 임베디드 비전 및 이미지 처리 애플리케이션에서 추진력을 얻고 있습니다.

AI가 새로운 가능성을 열어준다는 것은 의심의 여지가 없지만 패널리스트는 AI가 사용하기 쉬워야 한다는 데 동의했습니다. MVTec Software의 전무이사인 Olaf Munkelt는 "한편으로는 고객의 관점에서 많은 이점이 있습니다. “반면 AI 기술은 조금 서툴다. 임베디드 비전 고객이 부가 가치를 볼 수 있는 지점에 빠르게 도달할 수 있도록 사용을 더 쉽게 만들어야 합니다. 이는 데이터 레이블 지정, 데이터 검사, 데이터 관리에서 의미론적 세분화, 분류 및 이상 감지와 같은 다양한 기술을 사용한 처리에 이르기까지 AI 기반 시스템 워크플로의 모든 단계와 관련이 있습니다." Munkelt는 고객이 임베디드 비전 프로젝트를 더 쉽게 배포할 수 있도록 통합 접근 방식을 요구했습니다.

비슷한 견해를 공유하면서 Sick의 Machine Vision 사업부 책임자인 Fredrik Nilsson은 AI와 딥 러닝이 기존의 규칙 기반 이미지 처리로 해결하기 어려운 작업을 해결할 수 있는 능력이 있다고 언급했습니다. 그러나 딥 러닝은 기존의 이미지 처리를 대체하지 않습니다. 그는 두 기술이 "오랫동안" 나란히 공존할 것이라고 주장했다. “규칙 기반 [이미지 처리 알고리즘]이 딥 러닝보다 더 적용 가능한 애플리케이션이 분명히 있습니다. 예를 들어 딥 러닝으로 객체 세분화를 수행하고 측정 도구를 적용하는 하이브리드 솔루션을 볼 수 있습니다.”

Munkelt는 AI 가속기 하드웨어 측면에서 경쟁이 벌어지고 있다고 말했습니다. 많은 스타트업이 실제로 "정말 흥미로운 하드웨어"를 내놓고 있으며, 때때로 "기존 공급업체의 기존 GPU 하드웨어보다 10-20배 더 나은 성능"을 제공합니다. 그는 앞으로 이미지 데이터를 처리하는 데 속도가 얼마나 중요한지 지적했습니다. "우리 비전 커뮤니티의 모든 사람들은 큰 이점을 제공할 수 있기 때문에 이러한 AI 가속기를 찾고 있습니다."

가장자리에서 무슨 일이? 클라우드에서는 어떻게 되나요?

클라우드 제공자 AWS에 대한 이러한 질문이 답을 제시합니다. 우리가 생각하는 것보다 더 미묘하지 않다면 말이죠.

AWS는 임베디드 비전과 관련하여 두 가지 목표를 추구하고 있습니다. 첫 번째는 Amazon Web Services(AWS)의 IoT 전략적 OEM 파트너십 책임자인 Austin Ashe가 처음으로 임베디드 비전을 도입하려는 고객이나 확장 및 확장하려는 고객의 진입 장벽을 낮추고 있다고 말했습니다. . 두 번째는 "초기 사용 사례 이상의 가치 제공"입니다.

“진입 장벽을 낮추는 것과 관련하여 우리는 기업의 75%가 향후 2~5년 동안 시범 운영에서 완전한 운영 구현으로 전환할 계획임을 알고 있습니다. 우리는 매우 독특한 방식으로 에지와 클라우드를 오케스트레이션할 수 있는 위치에 있습니다.” 그는 더 나아가 “엣지는 레이턴시, 대역폭, 데이터 전송 비용, 심지어 보안과 보안과 같은 측면에서 매우 중요합니다. 클라우드가 할 수 있는 일은 여기에 진입 장벽을 낮추는 것입니다. 하나의 장치이든 여러 장치이든 상관없이 장치를 모니터링하고 이러한 장치가 수행하는 작업을 이해하기 위한 실시간 경고 또는 메커니즘을 제공할 수 있습니다.” Ashe는 이러한 장치를 무선으로 업데이트할 수 있다고 말했습니다. 따라서 임베디드 비전 시스템을 대규모로 관리할 때 모델을 가져와 클라우드에서 교육한 다음 이를 필요로 하는 모든 기계에 무선으로 배포할 수 있습니다.

회사는 모델을 구축할 데이터 과학자나 자금이 없을 수 있습니다. Ashe에게 진입장벽을 낮추는 것은 10~12장의 변칙 이미지를 클라우드에 업로드하는 것을 가능하게 하는 것을 의미합니다. “즉시 정확한 이상 현상을 탐지하는 이상 탐지 모델을 얻을 수 있습니다. 그런 다음 클라우드에서 에지로 해당 모델을 반복합니다.”

올해 임베디드 세계에서 Basler와 AWS는 AWS 서비스 "AWS Panorama" 및 "Amazon Lookout for Vision"을 포괄하는 협업을 통해 엣지와 클라우드 간의 격차를 해소하는 방법을 설명했습니다. AWS Panorama는 기계 학습(ML) 어플라이언스 및 SDK를 통해 고객이 실시간 결정을 내려 운영을 개선하고, 시각적 검사 작업의 모니터링을 자동화하고, 산업 프로세스의 병목 지점을 찾고, 시설 내 작업자 안전을 평가할 수 있는 기능을 제공합니다. Amazon Lookout for Vision은 컴퓨터 비전을 사용하여 시각적 표현의 결함과 이상을 찾아내는 ML 서비스입니다.

임베디드 비전이 클라우드에서 시간이 중요한 작업을 해결할 수 있는지 묻는 질문에 Ashe는 애플리케이션을 사용자와 경험에 더 가깝게 이동해야 하므로 에지를 점점 더 많이 사용할 것이라고 말했습니다. "지연 시간 요구 사항이 있는 곳이라면 어디에서나 에지가 최우선 순위가 될 것이지만 온라인에 등장하는 일부 고속 네트워크, 특히 5G와 관련된 사항을 고려할 때 클라우드와 에지가 더 긴밀한 상호 운용성과 클라우드 사용 사례에 더 많은 에지를 제공합니다."

복잡성, 크기, 비용

패널리스트들은 향후 몇 년을 내다보며 임베디드 비전 시스템을 보다 폭넓게 채택할 수 있도록 개선해야 할 영역을 나열했습니다.

복잡성 :Basler의 CMO인 Arndt Dake는 "이전 PC 시스템에서는 카메라를 구입하고 하드웨어를 구입하고 프로세서가 하나 있고 해당 프로세서에서 소프트웨어가 실행되고 있었습니다."라고 말했습니다. 그러나 오늘날 “처리는 하나의 프로세서가 아닙니다. CPU, GPU, AI용 특수 하드웨어, SoC의 ISP가 있습니다. 따라서 하나가 아닌 4개의 하드웨어 리소스가 있고 이 4개의 리소스에 소프트웨어를 매핑해야 합니다." 시스템은 점점 더 복잡해지고 있으며 고객은 계속해서 증가하는 복잡성으로 인해 어려움을 겪고 있습니다. 침투를 촉진하려면 유용성이 입증되어야 하고 사용성이 다루어져야 합니다. Dake는 "더 쉽게 얻을수록 채택률이 높아지고 해당 기술의 사용 범위가 넓어지기" 때문에 일부 회사는 현재 조각을 모아 고객을 위해 더 쉽게 만들려고 노력하고 있습니다.

크기 :규모 면에서 안정된 상태에 이르렀는가? 아니요, Dake가 대답했습니다. “더 작아질 것이다. 스마트폰을 열어 처리와 카메라 기능을 보면 얼마나 작은 것들이 나올 수 있는지 알 수 있다. 스마트폰은 우리의 벤치마크가 될 것입니다.”

비용 :일반적인 관점에서 Munkelt는 "모든 것이 돈에 관한 것입니다."라고 말했습니다. 오늘날 일부 응용 프로그램은 가격이 너무 높기 때문에 정당화되지 않습니다. 비용이 낮아지면 새로운 가능성이 생깁니다.

사용 편의성 증가, 저렴한 가격, 기존 기계에 맞는 소형 장치로 인해 임베디드 비전은 이전에 임베디드 비전을 사용한 적이 없는 소규모 기업이 더 쉽게 접근할 수 있을 것이라고 Nilsson은 결론지었습니다.

>> 이 기사는 원래 다음 날짜에 게시되었습니다. 자매 사이트인 EE Times Europe.