AO_446

114 | MAGGIO 2023 AUTOMAZIONE OGGI 446 Sistemi di visione AUTOMAZIONE OGGI L a domanda di sistemi di visione arti- ficiale sta aumentando, in quanto ri- chiesti in molteplici applicazioni, per esempio quelle relative alla sicurezza, al controllo del traffico e alla sorve- glianza di città e punti vendita, all’ispezione au- tomatica, al controllo dei processi, alla robotica assistita ecc. I sistemi di visione artificiale sono complessi da implementare e richiedono l’inte- grazione di diverse tecnologie e sottosistemi, tra cui hardware ad alte prestazioni e software avanzati di intelligenza artificiale/apprendi- mento automatico (AI/ML). L’ottimizzazione parte dalla tecnologia di ac- quisizione video e dall’I/O di visione, in modo da soddisfare le esigenze dell’applicazione, e si estende ai flussi di elaborazione delle immagini, per cui occorre una connettività adeguata. In ultima analisi, l’efficienza di un sistema di visione dipende dalla sua capacità di eseguire analisi in tempo reale, utilizzando hardware ad alte prestazioni come Fpga (Field Programmable Gate Array), SoM (System-on- Module), SoC (System-on-Chip) e MPSoC (Multi-Processor System-on-Chip) per ese- guire il necessario software di elaborazione e riconoscimento delle immagini AI/ML. Si tratta di un compito complesso, costoso e dispen- dioso in termini di tempo, esposto a numerosi rischi di ‘sforamento’ dei budget e di ritardo sui tempi previsti. Anziché partire da zero, i progettisti pos- sono rivolgersi a un’apposita piattaforma di sviluppo, ad alte prestazioni, che accelera il time-to-market, tiene sotto controllo i costi e riduce i problemi di sviluppo, supportando al contempo elevati livelli di flessibilità e presta- zionali. Una piattaforma di sviluppo basata su SoM può fornire un ambiente hardware e sof- tware integrato e consentire agli sviluppatori di concentrarsi sulla personalizzazione delle applicazioni, risparmiando fino a 9 mesi sul tempo di sviluppo. La stessa architettura SoM è disponibile anche in configurazioni ottimiz- zate per la produzione in ambienti commer- ciali e industriali, e offre maggiore affidabilità e qualità, ulteriore riduzione dei rischi e velo- cizzazione del time-to-market. Tutto inizia con l’ottimizzazione della tipologia dei dati Le esigenze degli algoritmi di apprendimento (deep learning) sono in continua evoluzione. Non tutte le applicazioni, tuttavia, necessitano di calcoli ad alta precisione; alcune utilizzano ti- pologie di dati a bassa precisione, per esempio INT8, o formati di dati personalizzati. I sistemi basati su GPU possono avere difficoltà a modifi- care le architetture ottimizzate per i dati ad alta precisione e ad adattarle in modo efficiente ai formati di dati a bassa precisione. La soluzione SoM Kria K26 di AMD Xilinx è riconfigurabile e può supportare un’ampia gamma di tipi di dati, da FP32 a INT8 ecc. La riconfigurabilità si traduce anche in un minore consumo energe- tico complessivo: le operazioni ottimizzate per INT8, per esempio, consumano molto meno rispetto a un’operazione FP32 (si veda figura 1). Architettura ottimale con consumo energetico minimo I progetti implementati sulla base di un’archi- tettura multi-core di GPU o CPU possono essere Foto: Fonte Shutterstock Rolf Horn Le sfide associate allo sviluppo di sistemi di visione artificiale ad alte prestazioni sono numerose, a partire da tempi e costi di sviluppo. Ecco come è possibile superarle grazie a soluzioni pronte all’uso Visione artificiale: progettarla e implementarla rapidamente