ОБЗОР ВСТРАИВАЕМЫХ СИСТЕМ РАСПОЗНАВАНИЯ ОБРАЗОВ В ИНДУСТРИИ

OVERVIEW OF EMBEDDED PATTERN RECOGNITION SYSTEMS IN INDUSTRY

Ghadeer Shaheen

PhD Student, Faculty of Software Engineering and Computer Systems, Saint Petersburg National Research University of Information Technologies, Mechanics and Optics,

Russia, Saint Petersburg

АННОТАЦИЯ

Целью настоящей работы является демонстрация обзора по распознаванию образов со встраиваемыми системами в индустриальной сфере. Применения, преобладающие сигналы, подходы, фундаментальные методологии, соображения дизайна и будущие тенденции были представлены. Такие системы являются доминирующими в индустрии и их развитие перспективно и необходимо для повышения качества продукции и скорости производства.

ABSTRACT

The aim of this work is to demonstrate an overview on pattern recognition with embedded systems in the industrial sphere. The applications, prevalent signals, approaches, fundamental methodologies, design considerations and future trends have been presented. Such systems are dominant in the industry and their development is promising and required to increase product quality and production speed.

Ключевые слова: встраиваемые системы; распознавание образов; сигнал; индустрия; производственный контроль.

Keywords: embedded systems; pattern recognition; signal; industry; industrial inspection.

1. Введение

Распознавание образов направлено на автоматическую классификацию входных образов в определенные классы. Встраиваемая система представляет собой комбинацию программного и аппаратного обеспечения, которая встроена в более крупную систему, так что они работают как единая система для определенных функций. Встраиваемые системы доминируют во всех аспектах нашей жизни. Примеры встраиваемых систем с потенциалом использования распознавания образов: телефоны и другие устройства связи, системы на борту транспортных средств (автомобили, лодки, самолеты...), медицинское оборудование, промышленное оборудование, бытовая техника и т. д.  Системы распознавания образов значительно эволюционировали с развитием технологий для решения сложностей современной промышленности. Они распространились на широкой основе в различных отраслях промышленности по всему миру с возникновением высокопроизводительных, энергоэффективных, низкозатратных вычислительных устройств.

2. Применения

Широкий спектр отраслей промышленности, включая автомобильную, аэрокосмическую, медицинскую, полупроводниковую, энергетическую, транспортную, горнодобывающую, строительную и промышленную автоматизацию, мог бы использовать возможности распознавания образов, чтобы получить углубленное представление о невидимой взаимосвязи условий эксплуатации и использовать это понимание для оптимизации время безотказной работы, производительность, эффективность операций и контроля качества в таких приложениях, как: оптическое распознавание символов [1], зрение робота, машинное зрение [2], усовершенствованные продвинутые интерфейсы пользователя машины (операция без использования рук, например с помощью голосовых команд), 2D/3D осмотр деталей, продвинутая автоматизация (робот-манипулятор), корректирующее, предиктивное и профилактическое (preventive) обслуживание [3], производственный контроль [4] и др. Исходя из проверяемых характеристик, задачи контроля можно разделить на четыре основные группы: размерные характеристики, поверхностные характеристики, структурное качество и эксплуатационное качество.

3. Преобладающие сигналы

Изображения используются в качестве одного из самых распространенных сигналов. А иногда некоторые типы данных сначала преобразуются в изображения, а затем толкуют системами распознавания образов. Обследование за пределами визуального спектра (напр. Infrared Thermal [5]) предлагает существенное дополнение к обследованию на основе визуальной информации. аудиосигналы (звук) связаны с большим количеством задач [6]. Существуют также различные типы входных данных, обрабатываемых алгоритмами распознавания образов для осуществления практических задач, например, измерения промышленных датчиков (например, температура, давление, дальность), наборы данных временного ряда или физических процессов.

4. Фундаментальные методологии и подходы

Наиболее известными подходами к распознаванию образов являются статистический подход [7], синтаксический (структурный) подход [8], сопоставление с шаблоном [9], нейронные сети [10], подход приближенного рассуждения (нечёткая логика) [11] и гибридные подходы объединяют разнообразные предыдущие подходы для разработки более сложных алгоритмов (например, фаззификация нейронных сетей [12]).

Многие предложения предусмотрены в литературедля реализации этих методологий, варьирующиеся от оптимизации кода традиционных процессоров ограниченной мощности и памяти, до разработки аппаратного обеспечения специального назначения:

- Реализация с использованием аппаратного обеспечения общего назначения: Конструкции аппаратного обеспечения могут быть нагружены в реконфигурируемые цепи, такие как FPGA и ПЛИС, или стать чипами VLSI. Программные реализации алгоритмов распознавания образов на микроконтроллере MCU или высокопроизводительных встраиваемых процессорах CPU также возможны.

- Реализация с использованием аппаратного обеспечения специального назначения обусловливает необходимость детальной оптимизации кода нижнего уровня, а иногда адаптации некоторых операций к специализированным DSP или ASIC.

- Реализация с использованием гетерогенных вычислений: Разнообразные процессоры гетерогенной систем включают в себя различные вычислительные модели. Главными преимуществами гетерогенных систем являются энергоэффективность и скорость вычислений. Популярные гетерогенных систем включают GPGPU, SoC, CPU + FPGA, CPU + DSP + ускорители или CPU+ASSP.

Эти разные технологии обеспечивают различную степень гибкости в вопросах программирования, реконфигурируемости, времени на разработку, параллелизма, интегрирования, обработки в реальном времени, операций с плавающей точкой, энергопотребления, охлаждения, размера и стоимости.

5. Соображения дизайна

В промышленных условиях дизайнеры систем должны обеспечить сбалансированность между огромные вычислительными и коммуникациями требованиями и строгими ограничениями ресурсов (например, объём памяти) встраиваемых плат, принимая во внимание враждебную физическую среду, нормы безопасности, требования в реальном времени, размер системы, энергопотребление, охлаждение, оптимизацию алгоритма распознавания, компромисс между стоимостью/выгодой и частотой ошибок, надежность, протоколы работы, ограниченные интерфейсы пользователя, проблемы безопасности во время связи и передачи данных, адаптацию в месте эксплуатации или переподготовку, инсталляцию, обновления и сопровождение.

6. Будущие тенденции

Гибкость и сложность современного производственного процесса создают сложности для обеспечения скорости производства и качества продукции. Растущий спрос к большей точности и надежности требует передовых систем, для того чтобы выполнить значительно разнообразные задачи контроля. Гениальность биовдохновленных вычислений заключается в том, что они достигают определенных целей более эффективным и простым способом, чем многие из уже существующих «традиционных» вычислительных механизмов. Например, преимущества нейроморфной инженерии [17] заключаются в повышении точности, а также снижении латентности и энергопотребление. Квантовые вычислительные системы сталкиваются с огромными проблемами при разработке, например, большими размерами, глубокой холодной рабочей температурой и потерей данных из-за хрупкости кубитов. С развитием и прогрессом алгоритмов и технологий (например, вычислительные возможности, цифровые интерфейсы, датчики, освещение, связь и сеть), встраиваемые системы распознавания образов тоже развиваются. Промышленные применения извлекают пользу из таких достижений для повышения качества и производительности. Сочетание нескольких технологий и методологий в разных применениях позволяет добиться более высокой точности и эффективности, и достичь всестороннего осмотра с меньшей неопределенностью. Разнообразие применений показывает колоссальный потенциал встраиваемых систем распознавания образов в индустрии.

Список литературы:

1. Wang, Zhiyan, Yunjie Li, and Zhimin Luo. "An automatic chip character checking system for circuit board quality control." IECON'03. 29th Annual Conference of the IEEE Industrial Electronics Society (IEEE Cat. No. 03CH37468). Vol. 2. IEEE, 2003.
2. Anand, Sheila, and L. Priya. A Guide for Machine Vision in Quality Control. Chapman and Hall/CRC, 2020.
3. Merkt, Oana. "On the Use of Predictive Models for Improving the Quality of Industrial Maintenance: an Analytical Literature Review of Maintenance Strategies." 2019 Federated Conference on Computer Science and Information Systems (FedCSIS). IEEE, 2019.
4. Wu, Dongdong, et al. "Research and Implementation of Automatic Cable Winding System Based on Machine Vision." 2019 34rd Youth Academic Annual Conference of Chinese Association of Automation (YAC). IEEE, 2019.
5. Vadivambal, R., and Digvir S. Jayas. "Applications of thermal imaging in agriculture and food industry—a review." Food and Bioprocess Technology 4.2 (2011): 186-199.
6. Maniak, Tomasz, et al. "Automated sound signalling device quality assurance tool for embedded industrial control applications." 2013 IEEE International Conference on Systems, Man, and Cybernetics. IEEE, 2013.
7. Jain, Anil K., Robert P. W. Duin, and Jianchang Mao. "Statistical pattern recognition: A review." IEEE Transactions on pattern analysis and machine intelligence 22.1 (2000): 4-37.
8. Mariusz, Flasinski. Syntactic pattern recognition. Vol. 6. World Scientific, 2019.
9. Swaroop, Paridhi, and Neelam Sharma. "An overview of various template matching methodologies in image processing." International Journal of Computer Applications 153.10 (2016): 8-14.
10. Basu, Jayanta Kumar, Debnath Bhattacharyya, and Tai-hoon Kim. "Use of artificial neural network in pattern recognition." International journal of software engineering and its applications 4.2 (2010).
11. Ray, Kumar S., and Jayati Ghoshal. "Approximate reasoning approach to pattern recognition." Fuzzy Sets and Systems 77.2 (1996): 125-150.
12. Ishibuchi, Hisao, and Manabu Nii. "Fuzzification of Neural Networks for Classification Problems." Hybrid Methods in Pattern Recognition. 2002. 1-31.
13. Hata, Seiji, et al. "Assembled PCB visual inspection machine using image processor with DSP." 15th Annual Conference of IEEE Industrial Electronics Society. IEEE, 1989.
14. Manikandan, J., and B. Venkataramani. "Hardware implementation of voice operated robot using Support Vector Machine classifier." 2012 Fourth International Conference on Advanced Computing (ICoAC). IEEE, 2012.
15. Mak, K. L., and X. W. Tian. "Iterative tensor tracking using GPU for textile fabric defect detection." The 2010 International Conference on Green Circuits and Systems. IEEE, 2010.
16. Chen, Jiun-Yan, et al. "Real-time FPGA-based template matching module for visual inspection application." 2012 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM). IEEE, 2012.
17. Li, Cheng, et al. "A Compact and Accelerated Spike-based Neuromorphic VLSI Chip for Pattern Recognition." 2018 IEEE Biomedical Circuits and Systems Conference (BioCAS). IEEE, 2018.