Los materiales diseñados, conocidos como redes neuronales mecánicas, son capaces de responder a las condiciones ajustando la rigidez de sus vigas.
The mechanical neural network (MNN) designed by UCLA mechanical engineers is merely a starting point for developing materials with AI capabilities.
Los ingenieros de UCLA han diseñado un material que puede adaptarse a las condiciones cambiantes.
El material consta de haces sintonizables que pueden ajustar dinámicamente su comportamiento para adaptarse a los cambios en su entorno, incluidos «niveles crecientes de daño interno, escenarios de fijación variables y cargas externas fluctuantes», según un artículo publicado en Science Robotics.
El estudio experimental sienta las bases para los materiales de IA que se pueden aplicar en la construcción de edificios, aviones y tecnologías de imagen, señalaron los autores.
“Esta investigación presenta y demuestra un material inteligente artificial que puede aprender a exhibir los comportamientos y propiedades deseados al aumentar la exposición a las condiciones ambientales”, dijo el profesor de ingeniería mecánica y aeroespacial Jonathan Hopkins de la Escuela de Ingeniería UCLA Samueli, quien dirigió la investigación. “Los mismos principios fundamentales que se utilizan en el aprendizaje automático se utilizan para dar a este material sus propiedades inteligentes y adaptativas”.
Características
El material se puede comparar con la forma en que las redes neuronales artificiales (los algoritmos que impulsan el aprendizaje automático) ajustan sus pesos. Las «redes neuronales mecánicas» (MNN) del material son capaces de aprender a ajustar la rigidez de sus haces constituyentes, explicaron los autores.
Los haces individuales de los MNN están organizados en un patrón de celosía triangular. Cada haz cuenta con una bobina de voz, medidores de tensión y flexiones. Estas características “permiten que el haz cambie su longitud, se adapte a su entorno cambiante en tiempo real e interactúe con otros haces en el sistema”, señalaron los investigadores.
En un ejemplo, los investigadores describen cómo se podría usar el material en las alas de los aviones. El material podría aprender a transformar la forma de las alas para adaptarse a los patrones del viento durante un vuelo como una forma de mejorar la eficiencia y la maniobrabilidad. Señalaron que también es concebible que el material pueda ayudar a mejorar la rigidez y la estabilidad general en aplicaciones de infraestructura, donde los terremotos o los desastres naturales y provocados por el hombre representan un riesgo.
La bobina de voz se utiliza para iniciar una compresión o expansión afinada en respuesta a las fuerzas aplicadas en el haz. El medidor de tensión recopila datos del movimiento del haz utilizado en el algoritmo para controlar el comportamiento de aprendizaje. Las flexiones conectan las vigas móviles al sistema.
El sistema está además respaldado por un algoritmo de optimización que regula el sistema. Aprovecha los datos de las galgas extensométricas para determinar una configuración de valores de rigidez que controlará la red, explicaron los autores. Se colocaron cámaras en los nodos de salida del sistema para validar las acciones realizadas por el sistema monitoreado por galgas extensométricas.
El sistema tiene aproximadamente el tamaño de un horno de microondas, pero los investigadores planean simplificar el diseño de MNN para que miles de redes puedan fabricarse a microescala dentro de redes 3D para aplicaciones prácticas de materiales.
Otras aplicaciones sugeridas para el uso de MNN incluyen la incorporación en una armadura para desviar las ondas de choque, así como en tecnologías de imágenes acústicas para aprovechar las ondas de sonido.
Los microcontroladores han recorrido un largo camino, con MCU de 8 bits que han demostrado una enorme resiliencia e innovaciones de aplicaciones a través de avances en memoria, consumo de energía, empaquetado y periféricos.
Lo que interesa saber:
Los MCU de 8 bits continúan prosperando a través de innovaciones continuas en varias áreas, incluida la memoria, el consumo de energía, el empaquetado y los periféricos independientes del núcleo (CIP).
Las nuevas generaciones de MCU incorporan una cantidad cada vez mayor de memoria, si es necesario, para facilitar la creciente necesidad de espacio de código.
Las MCU de 8 bits de hoy en día no se limitan solo a la recopilación de datos. Recopilan, procesan y transfieren datos en numerosas aplicaciones de IoT.
Desde la década de 1970, los microcontroladores (MCU) han desempeñado un papel destacado en el control de una variedad de productos automotrices, de consumo e industriales. En la actualidad, esta función se ha ampliado para incluir productos de Internet de las cosas (IoT) portátiles, inalámbricos y portátiles. Junto con IoT, la atención médica también ha experimentado un crecimiento masivo y la adopción de MCU de 8 bits en una variedad de aplicaciones.
La electrónica integrada con MCU de 8 bits requiere dispositivos que puedan competir en economías de escala (cientos de miles a veces millones de unidades por aplicación). Por ejemplo, en aplicaciones automotrices, las MCU de 8 bits controlan muchos subsistemas, como asientos y ventanas motorizados, manijas de puertas inteligentes e incluso sensores de presión de neumáticos. Esto significa que una diferencia de precio de unos pocos centavos es bastante importante.
Otro aspecto del costo de la aplicación, que a menudo se pasa por alto en la fase de diseño, es el costo de mantenimiento de millones de dispositivos. La confiabilidad y la durabilidad del dispositivo se pueden mejorar mediante la simplificación del código y el hardware en lugar de requerir redundancias de software.
Entre las razones por las que los MCU de 8 bits siguen prosperando y compitiendo a lo largo de los años está su capacidad para proporcionar valor al usuario. Esto se ha logrado mediante innovaciones continuas en varias áreas, pero especialmente en memoria, consumo de energía, empaque y periféricos independientes del núcleo (CIP).
Mejoras dramáticas de 8 bits
A medida que el enfoque actual en IoT ha crecido y ciudades enteras se están actualizando con dispositivos inteligentes, la capacidad de implementar inteligencia a escala se ha vuelto fundamental para muchas industrias. Estas actualizaciones incluyen alumbrado público inteligente y detectores de garajes de estacionamiento en cada lugar de estacionamiento, no solo en un solo mostrador en la entrada.
Se requieren ciertas características de los microcontroladores para crear un entorno capaz de IoT. Estos se pueden resumir en tres capacidades: la capacidad de recopilar datos, procesar esos datos y luego comunicar los datos a otros dispositivos en red.
En muchos casos, la recopilación, el procesamiento y la transferencia de datos pueden completarse mediante una MCU de 8 bits con un convertidor de analógico a digital (ADC) en el chip, mientras que el núcleo del dispositivo permanece en un modo de bajo consumo. . Por ejemplo, los sensores/indicadores en un estacionamiento inteligente, el alumbrado público conectado, la jardinería urbana automatizada y el monitoreo de plantas son todos candidatos para este enfoque. Cada milivatio de potencia multiplicado por miles realmente puede acumularse cuando un sistema funciona día y noche.
Los beneficios y el valor de los dispositivos más pequeños no solo se ven en su consumo de energía reducido, sino también en su factor de forma más pequeño. Esto les permite caber en un espacio limitado en productos IoT portátiles que funcionan con baterías.
La última generación de microcontroladores se está desarrollando con ese sentido de valor en mente. Utilizando nuevos procesos, lo que permite más memoria a bajo costo, estos microcontroladores tienen en cuenta la billetera del usuario al tiempo que brindan la funcionalidad requerida para la aplicación.
Memoria
Los microcontroladores de hace unos años son muy diferentes a los dispositivos que hay actualmente en el mercado. Esos dispositivos fueron revolucionarios para su época y cambiaron el panorama de los circuitos integrados. Debido a los pasos agigantados en el desarrollo de la memoria flash, los programas modernos han crecido para llenar el espacio disponible.
Con la tendencia hacia aplicaciones más complejas, los nuevos programas requieren más espacio/memoria. En consecuencia, las nuevas generaciones de MCU incluyen una cantidad cada vez mayor de memoria, si es necesario, para facilitar la creciente necesidad de espacio de código.
La memoria flash integrada puede durar años, como lo requieren y lo demuestran las pruebas automotrices extenuantes, soportando numerosos ciclos de escritura y borrado. Estas capacidades agregan otra dimensión a la propuesta de valor de los microcontroladores de 8 bits. Hoy en día, la cantidad de memoria en un microcontrolador de 8 bits puede variar desde 384 bits hasta 128 kB e incluso más para satisfacer un número cada vez mayor de aplicaciones.
El consumo de energía
Dado que muchas MCU de 8 bits se utilizan en aplicaciones alimentadas por batería, entre los cambios significativos que se han producido está la búsqueda del menor consumo de energía.
Por ejemplo, los MCU PIC eXtreme Low Power de nanoWatt XLP incluyen circuitos de supervisión del sistema especialmente diseñados para productos que funcionan con baterías. Por lo tanto, estos microcontroladores pueden ofrecer las corrientes más bajas de la industria para Run and Sleep, donde las aplicaciones de bajo consumo de energía pasan entre el 90 % y el 99 % de su tiempo. Los circuitos, como la desactivación del módulo periférico, eliminan por completo los periféricos del riel de alimentación y el árbol del reloj para que no haya fugas de energía.
Los beneficios de la tecnología nanoWatt XLP incluyen:
Corrientes de sleep por debajo de 20 nA
Reinicio de apagón hasta 45 nA
Temporizador de vigilancia hasta 220 nA
Reloj/calendario en tiempo real hasta 470 nA
Ejecute corrientes de hasta 50 μA/MHz
Capacidad analógica completa y de autoescritura hasta 1,8 V
Estas corrientes bajas ayudan a aumentar la duración de la batería para aplicaciones portátiles. Es posible ahorrar energía adicional a través de periféricos optimizados que se analizarán más adelante.
Encapsulado
Otra diferencia importante entre los MCU de 8 bits frente a los de 16 bits o 32 bits son los paquetes pequeños que permiten que los dispositivos de 8 pines encajen en los espacios más pequeños en productos inalámbricos/portátiles y vestibles conscientes del espacio. Los ejemplos incluyen un SOIC de 8 pines y un DFN de 8 pines. Un paquete popular es el paquete plano cuádruple muy delgado de 20 pines sin cables (VQFN) con su huella de 3 × 3 mm (Fig. 1). Si bien agregar más funciones puede requerir más conexiones y un paquete más grande, las MCU de 8 bits con capacidad suficiente pueden caber en espacios de placa que prohíben el uso de MCU de 16 o 32 bits.
Si la mayor capacidad de un microcontrolador de 8 bits requiere un área más grande y más conexiones debido a la mayor complejidad del sistema que proporciona, también se utilizan paquetes más grandes, que incluyen versiones PDIP y VQFN de 40 pines y TQFP de 44 pines.
Periféricos independientes del núcleo
Separar ciertos aspectos del microcontrolador del núcleo central brinda autonomía del núcleo y varios beneficios, especialmente para diseños de bajo consumo y bajo costo. Estos periféricos independientes del núcleo tienen una mayor funcionalidad incorporada para reducir el uso de energía y el diseño modular. Esto ayuda a simplificar la implementación de interfaces táctiles, la acumulación de datos de sensores y el acondicionamiento, además de facilitar la implementación de software complejo en hardware y más.
Los CIP están diseñados con capacidades adicionales para manejar una variedad de tareas sin la necesidad de intervención de la unidad central de procesamiento (CPU) del microcontrolador. Este enfoque de diseño proporciona un medio preempaquetado para programar eventos basados en periféricos. Por ejemplo, el sistema de eventos puede desencadenar eventos basados en entrada/salida de propósito general (GPIO) o interrupción de programa en múltiples canales
Los CIP actualmente disponibles para microcontroladores PIC y AVR de 8 bits en la Figura 2 se muestran en código de color por categoría de periférico. Las ocho categorías y sus subcategorías abordan la mayor parte de la funcionalidad esperada en un controlador integrado rentable. Tenga en cuenta que los elementos verdes brindan posibilidades de reducción de energía adicionales a las mencionadas anteriormente.
Los CIP ofrecen una mayor confiabilidad al reducir la cantidad de sobrecarga de código. Las funciones implementadas con estructuras de hardware evitan posibles conflictos de software. Además, la interconectividad periférica en el hardware reduce las conexiones externas, lo que aumenta la confiabilidad del sistema final. La mayor confiabilidad de los componentes reduce el costo durante la vida útil del proyecto.
Muchas de las nuevas familias de 8 bits brindan una plétora de opciones en memoria y número de pines. Esto hace posible completar el desarrollo en dispositivos más grandes y reducir la producción a dispositivos más pequeños cuando se optimiza el tamaño real del código.
Por ejemplo, en una variedad de paquetes para sensores sensibles al costo y aplicaciones de control en tiempo real, el conjunto de funciones simplificadas de la familia de microcontroladores PIC16F152XX incluye un ADC de 10 bits, selección de pin periférico (PPS), periféricos de comunicación digital y temporizadores. Las características de la memoria incluyen la partición de acceso a la memoria (MAP) para ayudar a los usuarios en aplicaciones de protección de datos y cargadores de arranque.
Herramientas de diseño para acelerar y simplificar el diseño
Con los avances en las herramientas de desarrollo, muchos procesos que tenían que codificarse de forma rígida se pueden simplificar y generar a través de las herramientas de diseño adecuadas, como MPLAB Code Configurator (MCC). Esto tiene varios beneficios, a saber, la reducción del tiempo necesario para desarrollar una aplicación. Además, se puede implementar código que es más compacto de lo que un diseñador podría haber desarrollado sin varias iteraciones de código o escribiendo el código desde cero en ensamblador. Por ejemplo, el kit de evaluación PIC16F15244 Curiosity Nano con capacidades completas de programación y depuración ofrece soporte completo para un nuevo diseño (Fig. 3).
PIC16F15244
Un futuro brillante (y rentable)
Los microcontroladores han recorrido un largo camino y las MCU de 8 bits continúan demostrando una gran resistencia e innovaciones de aplicaciones a través de avances en memoria, consumo de energía, empaque y periféricos. No solo tienen una memoria más grande que puede ser necesaria para aplicaciones complejas, sino también muchas vías diferentes para simplificar aplicaciones complejas. Esta simplificación puede materializarse en una reducción de dinero/tiempo invertido en desarrollar el proyecto, así como en menores costos cuando la MCU entra en producción.
Las MCU de 8 bits de hoy en día no se limitan solo a la recopilación de datos. Recopilan, procesan y transfieren datos en numerosas aplicaciones de IoT. Los nuevos productos de 8 bits han respondido a la creciente complejidad de las aplicaciones con tamaños de memoria mucho mayores y periféricos optimizados.
Sin embargo, los diseños de formato pequeño y sensibles al costo, que incluyen sensores y aplicaciones simples de control en tiempo real, pueden beneficiarse de conjuntos de características simplificadas como la de la familia PIC16F152xx de 8 bits. Con sus periféricos independientes del núcleo, tales MCU brindan una opción obvia para la mayoría de los diseñadores.
Un nuevo informe de la empresa de análisis de la industria Transforma Insights concluye que el entusiasmo por la oportunidad de las redes privadas móviles y la tecnología inalámbrica privada necesita una revisión de la realidad. Aunque las capacidades son inestimables para algunos casos de uso, los altos costes harán que la mayoría de las organizaciones opten por alternativas más baratas.
Imagen: Transforma Insights.
Transforma Insights ha publicado hoy su informe «Mobile private network (MPN) state of the union«, que analiza la situación actual y las oportunidades asociadas a las redes celulares dedicadas no públicas 4G y 5G.
Ventajas demostrables de las redes privadas 4G y 5G
Según el informe, el uso de las tecnologías 4G y 5G ofrece ventajas demostrables en comparación con las tecnologías alternativas –como Wi-Fi 6– en términos de rendimiento, mayor fiabilidad, cobertura, flexibilidad de despliegue y seguridad, además de ser más capaces de soportar dispositivos en movimiento, servicios de voz e integración con la conectividad de área amplia. El uso de la 5G proporciona ventajas aún mayores, en forma sobre todo de comunicación ultrarresistente y de baja latencia.
El precio sigue siendo un obstáculo importante
Sin embargo, el informe también sirve para comprobar la realidad. El coste del despliegue de las redes celulares es muy elevado. El uso de tecnologías celulares suele ser del orden de diez veces más caro que las alternativas. Y esa prima es aún mayor cuando se trata de dispositivos 5G.
El autor del informe, Matt Hatton, ha comentado los resultados:
«La funcionalidad que ofrecen las tecnologías 4G, y en particular la 5G, es muy útil para determinados escenarios de despliegue. Si el cliente necesita garantías sobre determinados niveles de cobertura, capacidad, fiabilidad, seguridad y latencia, entre otras cosas, las redes celulares serán una gran opción. Pero el hecho es que es una opción cara, lo que significa que los despliegues sólo se producirán cuando haya una necesidad absolutamente demostrable y económicamente válida de esas capacidades. En la mayoría de los casos creemos que otras alternativas harán el trabajo»
Expectativas de 22.000 despliegues para 2030
Hoy, a pesar de que se habla de miles de despliegues de NMP en todo el mundo, la realidad es que hay entre 1.000 y 1.500 despliegues. La trayectoria futura, según el informe, es de unos 22.000 MPN desplegados en todo el mundo para 2030, dependiendo de cuál de los tres escenarios se desarrolle.
La mayoría de las implantaciones actuales se centran en los sectores de uso intensivo de activos, en concreto la minería/petróleo y gas, la fabricación y los servicios públicos. A pesar de que gran parte del marketing en torno a la MPN se centra en el 5G, la realidad es que la gran mayoría (más del 80%) son 4G.
Las alternativas a la 4G y la 5G dedicadas son inmaduras
El informe también examina mecanismos alternativos para ofrecer conectividad celular privada (o realmente pseudoprivada) sin desplegar redes privadas completas dedicadas. El 3GPP los define como red pública integrada no pública (PNI-NPN). Entre ellas se encuentran la fragmentación de la red y las opciones híbridas que implican una infraestructura dedicada pero mantienen la función del plano de control con la red pública. El informe concluye que la capacidad de ofrecer estas opciones es prácticamente inexistente en la actualidad y se ve obstaculizada por problemas operativos y comerciales. (Transforma Insights).
TinyML es una de las áreas de aprendizaje profundo de más rápido crecimiento. En pocas palabras, es un campo de estudio emergente que explora los tipos de modelos que puede ejecutar en dispositivos pequeños de bajo consumo como los microcontroladores.
TinyML se encuentra en la intersección de aplicaciones, algoritmos, hardware y software de ML incorporado. El objetivo es habilitar la inferencia de baja latencia en dispositivos de borde en dispositivos que normalmente consumen solo unos pocos milivatios de energía de la batería. En comparación, una CPU de escritorio consumiría alrededor de 100 vatios (¡miles de veces más!). Este consumo de energía extremadamente reducido permite que los dispositivos TinyML funcionen desenchufados con baterías y duren semanas, meses y posiblemente incluso años, todo mientras se ejecutan aplicaciones ML siempre activas en el borde/punto final.
Aunque la mayoría de nosotros somos nuevos en TinyML, puede que le sorprenda saber que TinyML ha servido en sistemas de producción de ML durante años. Es posible que ya haya experimentado los beneficios de TinyML cuando dice «OK Google» para activar un dispositivo Android. Eso está impulsado por un detector de palabras clave siempre activo y de bajo consumo.
¿Por qué TinyML?
Si consideramos que, según una previsión de ABI Research, para 2030 es probable que alrededor de 2.500 millones de dispositivos lleguen al mercado a través de técnicas TinyML, teniendo como principal beneficio la creación de dispositivos IoT inteligentes y, más que eso, popularizar a través de una posible reducción de costes.
La mayoría de los dispositivos IoT realizan una tarea específica. Reciben información a través de un sensor, realizan cálculos y envían datos o realizan una acción. El enfoque habitual de IoT es recopilar datos y enviarlos a un servidor de registro centralizado, y luego puede utilizar el aprendizaje automático para concluir. Pero, ¿por qué no hacemos que estos dispositivos sean inteligentes a nivel de sistema integrado? Podemos crear soluciones como señales de tráfico inteligentes basadas en la densidad del tráfico, enviar una alerta cuando su refrigerador se queda sin existencias o incluso predecir la lluvia en función de los datos meteorológicos.
El desafío con los sistemas integrados es que son diminutos. Y la mayoría de ellos funcionan con batería. Los modelos ML consumen mucha potencia de procesamiento, las herramientas de aprendizaje automático como Tensorflow no son adecuadas para crear modelos en dispositivos IoT.
Construcción de modelos en TinyML
En TinyML, se utiliza la misma arquitectura y enfoque de ML, pero en dispositivos más pequeños capaces de realizar diferentes funciones, desde responder comandos de audio hasta ejecutar acciones a través de interacciones químicas.
El más famoso es Tensorflow Lite. Con Tensorflow Lite, puede agrupar sus modelos de Tensorflow para ejecutarlos en sistemas integrados. Tensorflow Lite ofrece binarios pequeños capaces de ejecutarse en sistemas integrados de bajo consumo.
Tensorflow Lite: Tiny ML
Un ejemplo es el uso de TinyML en sensores ambientales. Imagine que el dispositivo está capacitado para identificar la temperatura y la calidad del gas en un bosque. Este dispositivo puede ser esencial para la evaluación de riesgos y la identificación de los principios de incendio.
La conexión a la red es una operación que consume energía. Con Tensorflow Lite, puede implementar modelos de aprendizaje automático sin necesidad de conectarse a Internet. Esto también resuelve los problemas de seguridad, ya que los sistemas integrados son relativamente más fáciles de explotar.
Ventajas de TinyML
Seguridad de los datos: Como no hay necesidad de transferir información a entornos externos, la privacidad de los datos está más garantizada.
Ahorro de energía: la transferencia de información requiere una amplia infraestructura de servidores. Cuando no hay transmisión de datos, se ahorra energía y recursos, por lo tanto en costos. Sin dependencia de conexión: Si el dispositivo depende de Internet para funcionar, y se cae, será imposible enviar los datos al servidor. Intenta usar un asistente de voz y no responde porque está desconectado de Internet.
Latencia: la transferencia de datos lleva tiempo y, a menudo, genera demoras. Cuando no involucra este proceso, el resultado es instantáneo.
Refer to this checklist of prerequisites before taking on the task.
Machine vision systems serve a vast range of industries and markets. They are used in factories, laboratories, studios, hospitals and inspection stations all over the world—and even on other planets. But how do you design one?
When designing a machine vision system there are many factors that can affect the overall performance. Many of these elements are integral to the camera choice, but there are additional external factors that can have a significant impact on the final image. This article will explore 10 of these considerations and what to look out for when painting the full picture that makes up a vision system.
1. Environment
Images are captured in every corner of the world. In a corporate or residential building, it is common to see security systems, and while driving there can be toll booths with embedded systems and small board-level modules connected to aerial imaging drones.
The range of environments that require reliable imaging solutions is broad, and while these systems are often generalized as machine vision systems, it’s clear that imaging solutions extend well beyond factory floor applications.
The conditions a vision system operates within determine many of the specifications necessary to deliver the required image, including weather conditions such as direct sunlight, rain, snow, heat and other external factors that are outside our scope of control. However, a vision system can be designed with these in consideration. Factors such as additional light can be included in a system, or adequate housing to ensure the camera and its sensor are protected from harsh weather. In short, systems can be adapted to ensure that a camera always has a clear image.
2. Sensor
When deciding on a camera for a vision system, most of its performance resides with the image sensor. Understanding what a camera is capable of fundamentally comes down to the type of sensor being used. On the other hand, two different cameras with the same sensor are not necessarily going to output the same type of image. In fact, they most likely will have some noticeable differences. Therefore, looking at the rest of these considerations is quite important.
The format of the sensor will decide a lot about the matching optics and how the images will look. Formats abound, but some common ones include APS-C, 1.1-in., 1-in. and 2/3-in. When using a larger sensor size, a vision system can often benefit from more pixels, resulting in a higher resolution image. However, there are several other specifications that are equally important. Details such as full well capacity, quantum efficiency and shutter type all play a part in how the sensor can deal with various targets in unique situations.
A Teledyne Lumenera Board-Level Camera with a 1.1-in. sensor.
3. Lens
After deciding on the internal aspects of a camera, a vision system needs some help focusing on a target that can only be accomplished with a lens. In machine vision systems the camera size can vary based on the application. With larger systems, a zoom lens may be required depending on the targeted image. With machine vision, many cameras are locked on a specific target area and take advantage of prime lenses with a fixed focal length.
Each lens has a specific mounting system based on the manufacturer and the sensor it will be attached to. Common lens mounts for machine vision include C-mount, CS-mount and M42-mount. Therefore, before choosing a lens, the first step is to review required sensor specifications.
The main specification for a lens is the focal length. As focal length decreases, the field of view (FoV) inversely increases. This means that as the area the lens can capture increases, the magnification of each element decreases. Other specifications are also valuable to consider, such as working distance and aperture.
A camera lens showing the difference in field of view based on the focal length.
4. Lighting
Arguably the most important piece of a vision system is the lighting. This is because no matter how sensitive a camera sensor is in low light, there is no substitute for the clarity obtained from a well-illuminated target. Lighting can also take many forms that can help reveal new information about a target.
Area lights are a more general-purpose solution for even distribution, so long as the target is a good distance from the source to prevent hot spots from occurring. Ring lights are useful when dealing with highly reflective surfaces since they are able to reduce reflections. Other lights include dome lights for machined metals and structured light for 3D object mapping; even introducing colored light can add details and increase contrast.
5. Filters
If there is excess unwanted light passing through the lens, it can reduce important detail. There are many kinds of filters that can be used to reduce and remove certain light. The two main kinds of color filters are dichroic and absorptive. The main difference between these is that dichroic filters are designed to reflect undesired wavelengths while absorptive filters absorb extra wavelengths to only transmit the ones required.
Filtering out color is not the only use for filters. Neutral Density (ND) filters reduce the overall light levels, whereas polarizers remove polarized light, which reduces reflected light. Antireflective (AR) coatings help reduce reflection within the vision system. This is particularly useful for applications such as intelligent traffic systems (ITS) where a reduction in glare can increase the accuracy of optical character recognition (OCR) software.
6. Frame Rate
The speed of a camera can be measured in frames per second (fps). A camera with a higher frame rate can capture more images. This also affects each image that is captured due to the exposure time of each image being reduced as the frame rate increases. This results in less blur as the camera captures fast-moving targets such as objects on a conveyor belt. The drawback to short exposures is the lack of time the sensor is able to collect light during each shot. In these cases, a larger pixel size for the sensor often helps increase the overall brightness of each image.
7. Noise and Gain
When a high frame rate is a must and short exposure can not be avoided, the camera gain can potentially make up for the reduced brightness. The reason why gain cannot be the easy solution for all lighting challenges is because of the noise that it introduces. As the gain is increased, so is the noise which reduces the clarity of an image. The increase in gain allows for the camera to increase the sensor sensitivity. This means the vision system can take in a brighter image with less light but also reduce clarity from read noise and dark current noise.
8. Bit Depth and Dynamic Range
To accurately measure certain targets, a vision system needs to have high enough bit depth. The higher the bit depth, the higher the degree of variance between pixels. On the other hand, the dynamic range represents the ability of a camera to make out details from the brightest sections of the image to the darkest.
In outdoor applications more than 8-bit is rarely needed unless there is a need for high-precision measurement like photogrammetry. However, outdoor imaging can benefit greatly from a high dynamic range by capturing data in bright sunlight such as the sky, which is often overexposed in many images, and capturing detail in the shadows of a target. One possible solution could be to increase the gain or exposure time, but this would only result in getting detail in the shadows while reducing the data in already bright sections. A high dynamic range can ensure that there is clarity in each part of the image.
9. Software
Even with high-end hardware, the camera can only do what the software demands. The fundamental forms of software components are image acquisition and control, along with image processing software. The primary source of image data comes from image acquisition and control software which takes raw data from the camera and interprets it for the end-user. One of the common ways this is done is when a color camera takes an image, the pixel data is filtered through a physical Bayer filter, and then the software takes that data to construct a color image.
The next stage in the software tree has to do with what is done with the image data. This can involve a variety of tasks for machine vision such as inspection, analysis and editing for applications such as quality control when a target passes by the camera and needs to be tested.
10. Interface
As camera technology continues to push forward and result in a vast amount of image data, it is important to develop methods for delivering that data. Camera interfaces have branched out in several ways to provide a range of options for any imaging application. The four most common solutions are USB3, GigE, CoaXpress (CXP) and Camera Link High Speed (CLHS). The main attributes to consider when looking into a vision system interface are the required bandwidth, synchronization, ease of deployment and cable length.
A Teledyne DALSA Genie Nano with a GigE interface.
Putting it All Together
There are certainly many considerations involved when building a machine vision system, which is why many companies turn to systems integrators to help them with this task. System integrators, in turn, rely on high-performance OEM components that deliver the results. The key is to define what you need your vision system to do, and then identify the elements of the system that can produce the desired results.
Filip Szymanski, a technical content specialist for Teledyne Vision Solutions, is one of Teledyne’s imaging experts whose technology perspective comes from his degree in photonics and laser technology. He has years of experience in the machine vision industry working with cameras, sensors and embedded systems.
A significant challenge for undersea exploration is powering underwater cameras. Researchers can tether it to their vessel or send a ship and diver to recharge its batteries. MIT researchers are overcoming the challenge, developing a battery-free, wireless, underwater camera that is approximately 100,000x more energy-efficient than other undersea cameras. It yields color photos, even in dark aquatic environments, and transmits image data wirelessly through the water.
Powered by sound, the camera converts mechanical energy from sound waves traveling through water into electrical energy that powers its imaging and communications equipment. The camera also uses sound waves to transmit data to a receiver that reconstructs the image. They published their paper in Nature Communications.
The camera acquires energy using transducers made from piezoelectric materials placed around its exterior. When a sound wave traveling through the water hits the transducers, they vibrate and convert that mechanical energy into electrical energy. The camera stores harvested energy until it builds up enough to power the electronics that take the photos and communicate the data.
They used off-the-shelf, ultra-low-power imaging sensors and developed a low-power flash. When the camera captures an image, it shines a red LED and then uses image sensors to take the photo. It repeats the same process with green and blue LEDs. The researchers tested the camera in several underwater environments.
The device could help scientists explore unknown regions of the ocean, track pollution, or monitor the effects of climate change.
La Raspberry Pi es un ordenador compacto que nos ofrece una enorme cantidad de posibilidades. Podemos desarrollar diferentes proyectos, como un detector de movimiento o un videoportero, pero también las podemos usar como ordenador de uso diario. Una de las grandes fortalezas de las Raspberry Pi es el consumo, que es muy bajo.
Por si no lo sabes, una Raspberry Pi es un ordenador de placa reducida, placa única o placa base de bajo consumo. Este tipo de sistemas se basa en un pequeño procesador de alta eficiencia y buena conectividad (en la mayoría de modelos). Se enfocan en lo que se denomina en ingles DIY (Do-It-Yourself) o hazlo tú mismo, denominado coloquialmente como «cacharreo».
¿Cuánto consume una Raspberry Pi?
Estos ordenadores de placa reducida están pensados sobre todo para el desarrollo de diferentes proyectos de electrónica. Algunos modelos también son interesantes para ser usados como ordenadores para trabajar, estudiar o navegar. Como se enfocan a tareas livianas (o relativamente livianas) no se necesita que el procesador ofrezca una potencia desmedida.
Depende el consumo según el uso que vayamos a darle a este tipo de placas únicas. Aún con una carga de trabajo elevada, el consumo es incluso inferior, en muchos casos, a una bombilla LED.
Vamos a realizar una distinción o segmentación. Por un lado, daremos los datos de los modelos que podríamos usar como ordenador persona, como pueda ser la Raspberry Pi 4. Después, daremos los datos de las placas más enfocadas al «cacharreo» como son las Raspberry Pi Pico, por ejemplo. Finalmente veremos los datos de la Pi 400 Keyboard, una solución interesante que integra una de estas placas en un teclado.
¿Para qué quiero saber el consumo?
Son varios los motivos por los que es interesante conocer el consumo de estas placas reducidas. El primero es que puedas saber cuánto te podrías ahorrar de electricidad con respecto a un ordenador portátil o de sobremesa. Actualmente, el precio de la electricidad esta por las nubes y el ahorro puede ser notable.
Mientras que los modelos más pensados para proyectos DIY, es importante saber el consumo. Hay muchos proyectos que están pensados para ser usados en el exterior o ser autónomos. Obviamente, necesitaremos alimentar la Raspberry Pi elegida con una batería. Conocer el consumo y la capacidad de la batería nos permite saber cuánta autonomía podrá llegar a tener nuestro proyecto.
El Ministerio de Trabajo ha presentado una guía de información algorítmica en el ámbito laboral (PDF). Con ella se quiere lograr que las empresas sean responsables en el uso de dichos algoritmos que en muchas ocasiones regulan y condicionan cómo o quién trabaja. Por ello las empresas estarán obligadas a informar del uso de algoritmos y sus tomas de decisiones a sus empleados.
Using a graphene-based electronic tattoo, standard electronics, and machine learning, researchers have devised a non-invasive, accurate way to continuously measure blood pressure.
All Images Courtesy of Teledyne Industrial Vision Solutions.
La visión por computadora y la inteligencia artificial (IA) tienen cada una su propósito en los sistemas de visión modernos. Al desarrollar una plataforma de imágenes, pueden surgir ciertos desafíos al intentar implementar IA en un sistema de visión por computadora existente. Al principio, puede ser difícil decidir qué tareas son las más adecuadas para la IA. Por lo tanto, es beneficioso buscar la experiencia de los expertos de la industria que ya han dado muchos pasos para proporcionar una combinación de soluciones de inteligencia artificial y visión por computadora.
Valor de la IA
La experiencia en software de imagen tradicional ha estado disponible durante mucho tiempo. Mediante el uso de la visión por computadora, los ingenieros hemos podido abordar los desafíos en muchas aplicaciones industriales, incluida la automatización de la visión artificial, los sistemas de transporte inteligente (ITS) y las imágenes aéreas. Sin embargo, cuando las imágenes capturadas son complejas y variadas, como nuevas formas, orientaciones y colores, se sabe que la visión por computadora lucha donde la IA puede florecer.
Una aplicación ITS común es la detección de vehículos. Esto puede ser un desafío cuando se utiliza una solución de visión por computadora tradicional debido a las variables que existen en las imágenes al aire libre. En el método tradicional, un desarrollador puede programar especificaciones para que el software busque un cambio en la imagen para detectar un vehículo. Sin embargo, si el software activa una cámara cuando cambia la imagen, para indicar que un vehículo pasa junto a la cámara, varios otros cambios en la imagen podrían hacer lo mismo. Por ejemplo, si el clima cambia, el software puede interpretarlo como un cambio que requiere que la cámara capture una imagen. Además, si algo entra en el campo de visión, como un pájaro, esto también puede disparar la cámara.
Image Courtesy of Teledyne Industrial Vision Solutions.
En una fábrica donde el mismo tipo de objeto pasa continuamente por la cámara, el software de visión por computadora puede capturar con precisión imágenes de productos, componentes o materiales para su inspección. Por el contrario, en un escenario al aire libre, varios fenómenos pueden introducir inconsistencias en la escena y causar complicaciones al programar una solución. AI puede proporcionar valor en tal situación.
Entrenar software de IA, que es un algoritmo que identifica un tema específico, es bastante diferente de programar software de visión por computadora. El proceso de entrenamiento de un software de IA es menos rígido. Es similar a presentar un tema a un estudiante y pedirle que revise el material muchas veces hasta que lo entienda. Sin embargo, la IA debe enfocarse con un tema en particular en mente.
En lugar de entrenar el software de IA para que pueda reconocer todo lo que ve con la cámara e identificar vehículos, el entrenamiento se enfoca solo en vehículos. Al reconocer el aspecto de un automóvil, camión o motocicleta, un programa de IA sabrá buscar posibles objetivos dentro de una imagen. Con esta línea de base, el software de IA puede ignorar todos los demás problemas que puedan surgir en el entorno real de imágenes de tráfico.
Valor de la visión artificial
Si bien la IA puede proporcionar una nueva capacidad a un sistema de visión, no es la única opción. El software tradicional de visión por computadora puede ofrecer soluciones eficientes a varios desafíos de imagen. Donde la IA puede ser beneficiosa para el análisis de imágenes complejas, también tiene un inconveniente, la cantidad de tensión que ejerce sobre los recursos informáticos. Por otro lado, el software de visión por computadora ofrece programas simples que son fáciles de ejecutar en algunos de los sistemas integrados más pequeños.
Volviendo a las aplicaciones de tráfico, una forma en que pueden beneficiarse enormemente del software de visión por computadora es con el reconocimiento óptico de caracteres (OCR). En lugar de usar IA que podría requerir más recursos informáticos, un software OCR de visión por computadora simplemente verifica la imagen en busca de formas básicas para que coincida con una de una lista preestablecida de caracteres para placas de matrícula. Los caracteres de cada matrícula se pasan a través de un sistema OCR y se imprimen para la recopilación de datos de cada vehículo que captura el sistema de cámara. Esto puede ser ventajoso para registrar de manera efectiva cada matrícula escaneando cada carácter y guardando esos datos para la aplicación de peaje.
Image Courtesy of Teledyne Industrial Vision Solutions.
Cómo usarlas juntas
Un sistema de visión que utiliza IA más la visión artificial tradicional puede lograr un análisis de imágenes mucho más complicado.
Para ITS, tanto el OCR como la detección de vehículos son cruciales para la aplicación de peajes. Pero para garantizar que el software de visión por computadora pueda pasar de manera confiable a través de una muestra de imagen consistente, el sistema de imagen también necesitaría aislar cada vehículo en una imagen. En cualquier imagen, la cámara puede capturar varios vehículos y cada matrícula debe aislarse y detectarse por separado antes de que el software de visión por computadora las inspeccione.
Image Courtesy of Teledyne Industrial Vision Solutions.
Dado que cada vehículo puede tener una variedad de posiciones de matrícula y también pueden adoptar una variedad de colores, puede ser ventajoso tener una IA que se use para estos casos extremos. Una placa de una región en particular puede venir en varios colores porque, a medida que se emiten nuevas placas, pueden tener nuevos estilos que reemplacen los formatos antiguos. En la imagen, se muestran diferentes matrículas de varias regiones e incluso algunas de la misma región (Ontario) con diferentes diseños que podrían confundir a un sistema de visión que no esté bien capacitado para adaptarse a estas opciones.
Image Courtesy of Teledyne Industrial Vision Solutions.
Una vez que se detecta una placa, el resto de la imagen se puede recortar para que solo quede una placa rectangular de la que se puede usar el OCR para extraer los caracteres. Las tres placas de la Figura 6 muestran varias formas de suciedad o lodo que pueden ocultar una placa. Incluso las cubiertas de las matrículas pueden reducir el reflejo de la luz de los personajes y pueden representar un desafío adicional.
Image Courtesy of Teledyne Industrial Vision Solutions.
El ejemplo del mundo real
La implementación de IA en un sistema de visión existente puede ser un desafío. Existe un sistema de imágenes ITS para OCR que inicialmente se diseñó para ser un sistema de visión por computadora con el objetivo de lograr una alta precisión y luego se amplió para incorporar los beneficios de la IA.
La realidad de este sistema de detección de vehículos era que había demasiadas variables solo para la visión artificial. Se introdujo la IA para capturar las imágenes y la visión por computadora terminó proporcionando un análisis eficiente para OCR. El sistema resultante involucró mucho trabajo en el desarrollo y prueba de diferentes opciones.
Muchas personas pueden intentar configurar los sistemas de la manera tradicional y simplemente usar la visión por computadora. Sin embargo, la IA permite que los sistemas detecten fácilmente objetivos en imágenes complejas, mientras que la visión por computadora puede funcionar rápidamente a través del análisis de imágenes repetibles. Los expertos en imágenes han demostrado que tanto la IA como la visión por computadora son herramientas importantes en los sistemas de imágenes modernos y trabajan con integradores de sistemas para proporcionar elementos de sistemas de visión que combinan lo mejor de ambos mundos.
