在 AI 边缘计算领域,校企合作具有重要的意义。首先,AI 边缘计算需要依托于硬件技术和软件技术的双重优势,而高校和企业都拥有丰富的资源和技术实力,可以共同研发出更加先进的边缘计算平台和算法模型;其次,AI 边缘计算涉及到大量的数据采集和处理,需要依托高性能计算和大数据技术,通过校企合作,双方可以共同探索数据处理和分析的新方法,提高边缘计算的效率和精度;最后,AI 边缘计算需要依托于大量的专业人才,高校可以通过与企业合作,让学生更好地了解企业的实际需求和行业发展趋势,从而更好地指导学生的学习和研究方向。
在此背景下,天津科技大学电子信息与自动化学院郭肖勇老师和其指导的研究生,进行了很多积极且有意义的探索工作。他们目前正专注于工业场景下的 AI 边缘计算应用。“在多数工业场景中,如建筑工地或者地铁煤矿作业面,需要安装大量的视频监控设备,保证施工人员的安全和操作的规范。”郭肖勇老师说,“对于这些应用场景,在 GPU 服务器上部署模型存在成本高、网络流量消耗大以及能耗较大的问题。因此,如何在边缘系统中实现模型的部署,将各种传感器采集的数据消化在边缘,而只把有价值的分析结果发送回中心服务器,是一个有实际意义的研究方向。”
采用 Jetson Nano 开发施工安全监控系统
在工业场景中,目标检测的意义主要在于实现自动化和提高生产效率,而深度学习已经成为目标检测领域的主流算法。因为基于深度学习的算法能够从单帧视频画面中识别出多个种类、不同距离的多个目标。并且,这种算法的准确度和鲁棒性均大幅地高于传统的计算机视觉算法。
“深度学习模型的前向推理需要有一定算力的硬件来支持。传统的单片机或者工控机,由于计算资源十分有限难以满足需求。这也是长久以来很多深度学习领域内的科研成果无法落地、转化为生产力的一个主要原因。”郭肖勇老师介绍,“NVIDIA 推出的面向嵌入式领域的Jetson 平台,正好解决了这一难题。与其它的嵌入式系统相比,Jetson 平台上搭载的通用GPU(GPGPU)不仅可以实现深度学习模型的部署,也可以实现其它各种算法或程序所需的高性能并行计算。更重要的是,NVIDIA 为 Jetson 平台的开发提供了全套的 SDK 和开发者社区以及完整的生态系统,这样不仅帮助开发者有效地避坑避雷,也极大地节约了学习的时间成本。”
基于 Jetson 平台,郭老师团队开发了 Thrust Nano 5G 施工安全监控系统。该系统采用Jetson Nano模块作为计算核心。考虑到生产过程中环境复杂,为了保护脆弱的计算芯片,产品内使用了稳压电源、铜制导热板、全冲压金属外壳等手段。而为了与外部设备连接以构成计算网络,又引入了以太网接口和 4G/5G 物联网卡。同样,为了适用于更多的应用场景,系统还增加一对内置的音量大小可调节的音箱。在软件方面,程序全部使用 Python 开发,并对关键部分的代码用 Numba 进行加速,以提高程序的性能。内置的深度学习模型全部基于NVIDIA TensorRT SDK和DeepStream SDK进行优化和部署,这使得模型推理速度远远大于基于 PyTorch 或者 TensorFlow 的同类产品。此外,系统也支持方便灵活的二次开发,支持快速模型迭代。
应对复杂作业场景
“大部分的工业场景都很复杂,比如食品仓储、建筑工地和港口堆场,通常有大量的人员、车辆和货物等。”郭老师解释说,“在这些场景中通常有大量的潜在目标,对模型的要求很高,因此部署的模型必须尽量减少误识别或者漏识别的情况。过多的误识别会导致过多的误报警,这样会扰乱用户正常的操作。另一方面过多的漏识别则会让产品失去了应用的价值。”
基于 Jetson Nano 模块开发的 Thrust Nano 5G 施工安全监控系统可以部署各种主流的深度目标检测模型,例如:YOLO v3-v5 系列模型以及 SSD_Mobilenet 系列模型。
另一方面,在某些场景中目标移动速度较快,对模型的推理速度有很高的要求。为了应对推理速度的要求,在模型的部署和优化方面,郭老师首先使用自适应剪枝算法,对训练好的模型进行剪枝,然后再利用 TensorRT 对模型进行层融合和量化。最后,利用 DeepStream SDK 进行部署,从而实现视频流解码——多流混合——模型推理——视频流推流等各个环节的CUDA优化和 GPU 加速。与使用 OpenCV+TensorFlow 或 PyTroch 等框架的部署方案相比,基于 TensorRT 和 DeepStream 的部署方案模型推理速度可提升 10-20 倍。
目前郭老师团队基于这套方案,成功开发了盾构隧道电瓶车引导及预警系统、堆场作业车辆安全系统、拉丝机工作状态检测、集装箱开关门状态检测、空盘车状态检测、超远距离目标检测及电子围栏等应用。
“某一项技术如果没法走出实验室,那终究也将是纸上谈兵昙花一现。Jetson 平台及其开发工具提供了一种高效的模型部署方案,让论文中的代码和模型可以更好地走进生产和生活中。”郭老师表示。
郭老师最后说道:“作为 NVIDIA Jetson 开发者,我建议您不仅要熟练掌握 Jetson 平台的技术和开发工具,还应该了解实际的工业场景需求,并积极参与业界的合作。随着人工智能技术的快速发展,越来越多的企业和组织开始将其应用于实际的工业场景中,如自动驾驶、智能制造、智能家居等领域。因此,了解这些领域的需求和挑战,可以帮助您更好地开发出适合实际应用的人工智能解决方案。”
审核编辑:汤梓红
-
NVIDIA
+关注
关注
14文章
4934浏览量
102794 -
服务器
+关注
关注
12文章
9016浏览量
85171 -
AI
+关注
关注
87文章
30098浏览量
268372 -
边缘计算
+关注
关注
22文章
3063浏览量
48612
原文标题:Jetson 百万开发者故事 | 校企合作推动实现多项工业场景下 AI 边缘计算应用
文章出处:【微信号:NVIDIA_China,微信公众号:NVIDIA英伟达】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
评论