Fanless Edge sustav za neuronske mreže

Ugrađeni sustav eBox560-900 Axiomtekov je odgovor na rastuću popularnost grafičkih procesorskih jedinica (GPU-a), koje imaju paralelnu strukturu i istovremeno se mogu nositi s velikom količinom jednostavnih računskih operacija. 

Razvijte aplikacije s lakoćom 

Oni imaju prednost u aplikacijama u kojima je broj istovremenih računskih operacija prevelik, a istovremeno su previše monotoni za središnju procesorsku jedinicu (CPU). 

Osim svijeta igara, renderiranja i nezanemarivih operacija rudarenja, potreba za paralelnim računanjem prisutna je u sustavima umjetne inteligencije (AI), posebno u strojnom dubokom učenju. Navedena područja umjetne inteligencije bave se neuronskim mrežama. Više o neuronskim mrežama možete pročitati na dnu stranice. 

Želite kupiti našu opremu?

Posjetite našu B2B trgovinu

Koristite robustan ugrađeni sustav 

Kompaktan i robustan dizajn eBOX560-900, usklađen sa zaštitom IP40, radi u proširenom temperaturnom rasponu od -10 °C do 50 °C i otporan je na vibracije do 3G, te je u skladu s CE i FCC certifikatom klase A. Montaža na DIN šinu ili na zid. 

Računalo ima USB, dva Etherneta i HDMI izlaz koji podržava 4K rezoluciju. Ima mjesta za PCIE Mini karticu za proširenje, za WLAN i Bluetooth ili 3G / 4G / LTE / GPRS modul, koji omogućuje bežično povezivanje putem opcije povezivanja četiri vanjske antene. 

Iskoristite nevjerojatne razvojne alate

Što se softvera tiče, računalo je podržano operativnim sustavom Linux 16.04.  Jetson Development Pack (JetPack) SDK je dostupan za programere, koji sadrži sve potrebne alate za razvoj aplikacija. JetPack uključuje alate za strojno učenje, strojni vid, GPU izračune i multimediju.

JetPack alati: 

  • Duboko učenje: TensorRT, cuDNN, NVIDIA DIGITS™ tijek rada 
  • Računalni vid: NVIDIA VisionWorks, OpenCV 
  • GPU Compute: NVIDIA CUDA, CUDA knjižnice 
  • Multimedija: ISP podrška, snimanje kamere, video KODEK 
Axiomtek eBox560-900-FL schema mreže

Naučite svoje strojeve 

Uobičajeno je da ljudi uče kako strojevi rade i kako njima upravljati. Ako komadi s proizvodne linije ne zadovoljavaju standard kvalitete, operater korigira parametre stroja i alata prema iskustvu. Ili ako dio karoserije automobila nije dobro obojan, potreban je dodatni ljudski rad, koji opet, prema iskustvu, ispravlja neispravan rad robota. 

Uz Industriju 4.0, gdje se procesi digitaliziraju, AI upravlja strojevima. Kao što koncept strojnog učenja sugerira, sami strojevi razumiju procese i prilagođavaju svoje parametre u skladu sa svojim okruženjem. 

Provjerite prednosti

Neispravno farbanje karoserije se bilježi, podaci se prikupljaju na određenim točkama parametara lakiranja, kao što su debljina boje, PH vrijednosti i vrijeme sušenja. Ovisno o snimljenim i okolnim parametrima te potrebnim konačnim vrijednostima, AI optimizira proces slikanja, poboljšava kvalitetu i ne zahtijeva dodatnu ljudsku korekciju.

Strojno učenje donosi prednosti uglavnom u poboljšanju kvalitete proizvoda i fleksibilnosti proizvodnog procesa. Podaci prikupljeni iz procesa proizvodnje čine osnovu za analizu. Ovi analizirani podaci ne samo da nam pomažu da bolje razumijemo proces, već i da ga optimiziramo. Evaluacija podataka, s druge strane, rezultira stalnom optimizacijom procesa s obzirom na trenutne uvjete.

Računalni vid jedno je od najvažnijih područja umjetne inteligencije. Riječ je o računalnim sustavima sposobnim za tumačenje i analizu slika. U industrijskom okruženju nalazimo korisne vrijednosti računalnog vida u kontroli kvalitete u proizvodnim procesima i u pozicioniranju komada za daljnju obradu. 

Između ostalog, Tipteh nudi rješenja u području 3D strojnog vida, u suradnji s Photoneo 3D skenerima, koji također koriste Jetson platformu za implementaciju algoritama za prostornu percepciju objekata. Uobičajeni slučaj uporabe je integracija s robotom u procesu biranja nasumično pozicioniranih komada. 

Kliknite ovdje za brošuru
Axiomtek eBox560-900-FL schema mreže

Implementirajte neuronske mreže 

Neuronska mreža je računski model za paralelnu obradu informacija, gdje su osnovni gradivni blokovi mreže umjetni neuroni ili funkcije praga. Mreže imaju više ulaza i jedan ili više izlaza. Ulazi su različito ponderirani i povezani su s izlazom preko jedne ili više razina – jedna razina je prikazana na skici. 

Matematički model neurona zbraja signale (wn ) različito ponderiranih ulaza (xn ). Ako zbroj prijeđe određeni prag ((), neuron šalje signal prema funkciji aktivacije. Ako je mreža višerazinska, a obično jest, odaslani signal prima drugi neuron u sljedećem sloju, koji ga također obrađuje. 

Upoznajte elemente neuronske mreže 

  • Sinaptičke težine: Wn vrijednosti su težine povezane s jednim neuronom koji određuje snagu ulaznog vektora Xn, 
  • Neuronski prag je vrijednost na kojoj se izlaz aktivira, 
  • Aktivacija ili prijenosna funkcija, koja može biti različitih oblika (sigmoidna na slici), izvodi matematičku operaciju na izlaznom signalu, 
  • Mrežni izlaz je ponderirani zbroj ulaznih podataka. 

Naučite mrežu kako reagirati na uzorak 

Neuronski dijagram

Težine neurona i prag na kojem neuron emitira signal formiraju se učenjem. U načinu učenja, stoga, učimo mrežu kako reagirati na određeni obrazac ulaza. Koristimo veliku bazu podataka inputa za učenje i određujemo željeni rezultat. Kako bi dobila željeni rezultat, mreža za učenje traži optimalne vrijednosti težine i pragove. 

Operacije s neuronskim mrežama izvode se paralelno, budući da svaki neuron djeluje relativno neovisno o drugima, pa se neuronske mreže mogu prilagoditi složenom okruženju, s mnogo ulaznih parametara, u stvarnom vremenu i s minimalnim kašnjenjima.

Želite znati više?

Ispunite kontakt obrazac i javit ćemo vam se uskoro.

Axiomtek eBox560-900-FL

Pretplatite se na naš newsletter!

    Ne propustite druge povezane vijesti