The AIDA Cyber-Physical System

Transcript

1 The AIDA Cyber-Physical System Bologna, July 12 th 2018

2 Il magazzino automatico VIDEO 2

3 Il magazzino automatico Control GUI Director Vision Deep-learning Pilot Seeker AGV Robot 3

4 HW acceleration with FPGA Sensor SoC FPGA μp RAM 4

5 HW acceleration with FPGA Image pre-processing 5

6 HW acceleration with FPGA Code localization 6

7 HW acceleration with FPGA Compressione JPEG Analisi delle immagini multiscala Protocolli di comunicazione o FTP o GigE Vision

8 HW acceleration with FPGA FPGA contro GPU e set di istruzioni SIMD (MMX, SSE, NEON, ): + Permette di agire su più fonti di sovraccarico del processore (es. Ethernet) + Consumi ridotti Adatto solo ad applicazioni con algoritmi ben definiti Necessità di specialisti dedicati e tempi di sviluppo lunghi ma la situazione è in continua evoluzione

9 Il magazzino automatico Control GUI Director Vision Deep-learning Pilot Seeker AGV Robot 9

10 Deep learning: Pattern find AIRPORT PALLET HAZ-MAT

11 Deep learning: Defect detection SCRATCHES DETECTION EMPTY TRAY DETECTION

12 Deep learning: OCR AUTOMOTIVE (DPM) FOOD & BEVERAGE TEXTILE

13 Deep learning Scopo: Sviluppare algoritmi ad uso industriale migliori di tutti quelli già disponibili Robusti alle variazioni e deformazioni Robusti al rumore e a sfondi non uniformi Disponibilità di un tool che permetta all utente finale di ottimizzare il proprio sistema Acquisizione e annotazione di poche immagini per il training Nessun parametro da ottimizzare manualmente

14 Deep learning Acquisition and storing of sample images Sample image annotation Improve training data Archimede Training Test Deep learning algorithms OK Y N DeepGUI Deploy Inference Runtime application 14

15 Deep learning: the processing system Hardware: PC workstation con Intel Core i7-7700k (Quad-core, 4.20Ghz-4.50Ghz clock frequency) GPU NVIDIA Asus DUAL-GTX1060 with 6GB of memory Software: TensorFlow Pyton Microsoft SQL Server 2012 SP1 Il runtime di inferenza non ha bisogno di tanta potenza Serve GPU discreta e si può proporre solo su applicazioni high-end 15

16 Deep learning: implementazione in FPGA Non è che, per applicazioni semplici, si potrebbe usare l FPGA a bordo delle nostre camere? Scopo: verificare i vantaggi dell accelerazione HW su FPGA di un algoritmo di OCR simile al deep learning.

17 Deep learning: implementazione in FPGA E stata effettuata una modellazione preliminare di occupazione di risorse, dei requisiti di banda e di potenziali performance ottenibili su quattro tipi diversi dispositivi, dotati di un numero diverso di risorse: Cyclone V A2, Cyclone V A5, ARRIA 10 SX 660, ARRIA 10 SX 160. Sono stati misurati i potenziali livelli di performance ottenibili (espressi in frame/secondo) e di speedup rispetto ad una esecuzione sul solo processore ARM dual core. Risultato: ma la situazione è in continua evoluzione!

18 Deep learning + Insostituibile dove la variabilità e il rumore di fondo fanno fallire gli algoritmi tradizionali. + Mediante appositi strumenti l utente finale è in grado di gestire il processo in autonomia Approccio non adatto a tutte le applicazioni Richiede potenza di calcolo non sempre disponibile Processo di training più complesso di un normale setup

19 Thank you! This presentation contains statements that are neither reported financial results nor other historical information. These statements are forwardlooking statements. These forward-looking statements rely on a number of assumptions and are subject to a number of risks and uncertainties, many of which are outside the control of Datalogic S.p.A., that could cause actual results to differ materially from those expressed in or implied by such statements, such as future market conditions, currency fluctuations, the behavior of other market participants and the actions of governmental and state regulators 2013 Datalogic S.p.A. - All rights reserved. Protected to the fullest extent under U.S. and international laws. Copying, or altering of this document is prohibited without express written consent from Datalogic S.p.A. Datalogic and the Datalogic logo are registered trademarks of Datalogic S.p.A. in many countries, including the U.S.A. and the E.U. All other brand and product names may be trademarks of their respective owners. Datalogic S.p.A. Via Candini, Lippo di Calderara di Reno Bologna Italy Tel Fax corporate@datalogic.com 19

20 Il magazzino automatico Control GUI Director Vision Deep-learning Pilot Seeker AGV Robot 20

21 OPC-UA Standardized data model and communication layers: Flexibility and Security in communication

22 OPC-UA Standardized industry oriented services (alarms, conditions, historical access, )

23 OPC-UA Companion standards (Device family standards) Interoperability at application level

24 OPC-UA Each vendor can extend the protocol and clients can browse and use additional services: Maximum flexibility at application level

25 OPC-UA Alcune delle caratteristiche implementate: Sicurezza: gestione degli utenti Lettura: possibilità di lanciare una o più acquisizioni e di ricevere i dati letti Gestione dei parametri: possibilità di modificare i parametri in modo coerente Trasmissione immagini: possibilità di visualizzare l ultima immagine acquisita Statistiche e indicatori di stato: possibilità di leggere una quantità di informazioni oltre i semplici dati letti Allarmi: possibilità di ricevere segnalazioni su malfunzionamenti

26 OPC-UA + Protocollo estremamente flessibile + In forte crescita nell ambito della supervisione grazie ai companion standard + Comincia ad essere usato anche in ambito di controllo real-time in abbinamento con TSN (Time Sensitive Network) Primo approccio non banale Strumenti poco maturi

27 Industry 3.0 ERP MES SCADA PLCs Sensor and actuators 27

28 Industry

29 The cyber-physical system 29