fbpx

O uso de câmeras de vídeo como sensores em aplicações industriais de IoT está se tornando cada vez mais popular. É claro que isto abre a possibilidade para muitas aplicações interessantes, tais como:

  • Inspeção visual para otimização de produtividade − Identificar materiais e/ou produtos descartáveis o mais cedo possível no processo.
  • Contagem e medição – Contagem de produtos, objetos, pessoas e medição de posição, alinhamento, cor e outros atributos.
  • Detecção de intromissão – Acionamento de um alarme ou parar uma máquina quando pessoas ou objetos se aproximarem demais ou estiverem onde não deveriam.

As vantagens das câmeras como sensores: Inteligentes, rápidas e de baixo custo

Uma das principais vantagens de usar câmeras como sensores é que elas não são intrusivas. Elas operam à distância e não exigem contato físico com os objetos ou recursos que se deseja monitorar. Além disso, um sistema de monitoramento baseado em visão pode ser adicionado independentemente de qualquer configuração de monitoramento/IoT existente e não é necessário envolver sistemas OT. Por isso, os sistemas de visão costumam ser rápidos de implantar e rapidamente propiciam a obtenção de retorno sobre o investimento.

As câmeras também podem ser usadas para "atualizar" máquinas e ativos legados. As lâmpadas analógicas, comutadores e relés que precisam ser controlados periodicamente podem ser monitorados por câmeras com fluxos de trabalho inteligentes e ações poderão ser tomadas quando houver alterações.

A desvantagem. E como a Edge Analytics pode ser a solução

A desvantagem é que as câmeras de vídeo produzem muitos dados e, se ações forem necessárias com base em informações de vídeo, a latência também será um problema. Isso significa que, na maioria dos casos, o processamento na nuvem não é uma boa opção.

Felizmente, a solução Edge Streaming Analytics da Crosser é um ambiente perfeito para implementar algoritmos de visão próximos às câmeras e para criar fluxos de trabalho inteligentes para executar ações com notificações, acionadores de máquinas ou integrações a sistemas corporativos, como os sistemas ERP.

De que você precisa para obter a solução?

Atualmente, tudo de que você precisa está facilmente disponível, incluindo:

  1. Câmeras disponíveis no mercado
  2. Plataforma de hardware (Raspberry Pi ou superiores)
  3. Software Edge Analytics (self-service)
  4. Algoritmos de visão

Com a ferramenta de design gráfico Crosser Flow Studio, você pode facilmente implantar seus algoritmos de visão e fornecer os resultados para sistemas locais ou serviços de nuvem usando módulos da biblioteca da Crosser.

Como exemplo, você pode usar o módulo Python para executar seu algoritmo com base na popular biblioteca OpenCV. A OpenCV (Open Source Computer Vision Library) é uma biblioteca de software de aprendizagem de máquina e visão computacional de código aberto que possui mais de 2500 algoritmos otimizados, incluindo um conjunto abrangente de algoritmos de visão computacional e de aprendizagem de máquina clássicos e de última geração.

Se você treinou seu próprio modelo de aprendizagem de máquina no TensorFlow ou em alguma outra estrutura de ML, você poderá executar o modelo no Crosser Node, próximo à câmera.

O Crosser Edge Director o ajuda a implantar seus fluxos e algoritmos em qualquer local da borda ou na nuvem com facilidade. Se você implantou a mesma lógica em vários locais, o Edge Director permite implantar em massa e atualizar versões em todos os nós em uma única operação.

Leitura recomendada: A aprendizagem de máquina na borda (blog)

A plataforma de hardware

Os sensores da câmera produzem muito mais dados do que os típicos sensores IoT, onde você obtém um único valor numérico de cada vez. Portanto, talvez seja necessário ter um pouco mais de cuidado ao selecionar a plataforma de hardware para o processamento na borda, para garantir que ela possa lidar com os volumes de dados. Isto também dependerá do tipo de algoritmo que você desejar usar, como dos modelos de aprendizagem de máquina; especialmente as convolutional neural networks (CNN), normalmente requerem um poder de processamento significativamente maior do que o algoritmo básico de visão. Ainda assim, mesmo em um dispositivo leve como o Raspberry Pi, você poderá fazer o processamento visual básico.

Está gostando desse post? Então, assine a nossa newsletter!

Alguns cenários poderão envolver várias câmeras alimentadas em uma plataforma de computação na qual você poderá executar o Edge Streaming Analytics em vários feeds de câmera em um nó. Certifique-se de dimensionar o hardware de acordo com isto. Por exemplo, a Intel possui soluções FPGA/GPU para gateways que permitem um processamento de vídeo mais avançado.

Além disso, algumas das câmeras mais avançadas possuem capacidades de processamento integradas e têm a possibilidade de executar software de terceiros, incluindo o Crosser Edge Node. Em alguns casos, feeds únicos de vídeo, por exemplo, podem ser a melhor escolha.

Automação e integração baseados em inspeção visual

A câmera e o algoritmo o ajudarão a detectar anomalias. Mas o valor total será alcançado quando você criar fluxos de trabalho de automação e integração com base nos fluxos de vídeo.

A Plataforma da Crosser é projetada para ser uma plataforma de análise de fluxo contínuo, mas também uma plataforma para automação e integração. Com base no resultado da análise visual, a plataforma permite:

  • Coletar capturas instantâneas ou gravações do fluxo de vídeo e enviar para telas de operadores de máquinas, sistemas no local, ou para provedores de nuvem.
  • Enviar gatilhos em tempo real para máquinas para parar, começar ou iniciar outras ações
  • Enviar gatilhos para sistemas corporativos, para iniciar ordens de trabalho ou outros processos de negócios usando APIs
  • Enviar notificações usando SMS, e-mail ou outros serviços como o Slack, etc.

Soluções de inspeção visual pré-embaladas versus DIY (Do It Yourself - faça você mesmo) usando câmeras comumente disponíveis no mercado e o software Edge Analytics

Existem várias soluções para inspeção visual no mercado, nas quais um fornecedor oferece soluções completas para casos específicos. Isso é bom quando você precisar de uma solução de ponta a ponta e desejar suporte total de ponta a ponta de fornecedores especializados. A desvantagem é o alto custo e a dependência de fornecedores para inovação.

As soluções de DIY exigem que você faça um pouco mais de trabalho, mas isso está ficando cada vez mais fácil com plataformas de autoatendimento (self-service), como a da Crosser, em combinação com algoritmos de visão abertos. Se você escolher esta rota, você terá uma solução horizontal e flexível que poderá ser aproveitada para qualquer caso de uso imaginável. Além disso, desmembrar a pilha de tecnologias e usar o melhor da categoria normalmente resulta em significativas economias de custo.

Para saber mais sobre esta solução e inscrever-se para receber uma demonstração ou teste contate-nos aqui!

Fonte: Crosser.io

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *