Modelos de redes neuronales para visión artificial desplegados en sistemas embebidos

Abstract

[ES] La mayoría de proyectos de visión artificial utilizan algoritmos tradicionales no relacionados con el aprendizaje automático. El problema surge cuando las imágenes de un mismo elemento a reconocer tienen mucha variabilidad y esos algoritmos fallan. El aprendizaje automático es la herramienta adecuada para estos casos, debido a su capacidad de adaptación a situaciones atípicas.

Los algoritmos de aprendizaje automático están basados en la estadística e inducen modelos a partir de los datos. De estos modelos, las redes neuronales son el más potente y versátil hoy en día. En el caso del reconocimiento de imagen, se suelen utilizar las redes neuronales convolucionales. Estas poseen neuronas especializadas en aplicar filtros a las imágenes para extraer sus características principales.

En este trabajo, realizado en un ámbito de práctica de empresa, se han aplicado redes neuronales a un problema de detección de objetos, el cual consiste en localizar y clasificar objetos en una imagen. Para ello se ha entrenado la red neuronal en un ordenador de sobremesa y luego se ha desplegado en una cámara con un procesador especializado integrado. El entrenamiento consiste en procesar una gran cantidad de imágenes del objeto que se quiere detectar y el despliegue consiste en colocar la red entrenada en un procesador encargado de inferir la información buscada.

La inferencia en sistemas embebidos es una alternativa más segura al procesamiento en la nube, y eso es conveniente en el sector industrial. Se han investigado distintos sistemas embebidos y distintas arquitecturas de redes neuronales adecuadas a esos sistemas para encontrar la mejor solución a la tarea. La labor principal ha consistido en investigar las alternativas, preparar imágenes, implementar la red neuronal y reconfigurarla en base a los resultados.

[EN] Most computer vision projects use traditional algorithms not related to machine learning. The problem arises when the images of the same element to be recognized have a lot of variability and those algorithms fail. Machine learning is the right tool for these cases, due to its ability to adapt to atypical situations.

Machine learning algorithms are statistically based and induce models from data. Of these models, neural networks are the most powerful and versatile nowadays. In the case of image recognition, convolutional neural networks are often used. These have neurons specialized in applying filters to images to extract their main characteristics.

In this work, carried out in the scope of an industrial internship, neural networks have been applied to an object detection problem, which consists of locating and classifying objects in an image. For this, the neural network has been trained in a desktop computer and then it has been deployed in a camera with a specialized integrated processor. The training consists of processing many images of the object to be detected and the deployment consists of placing the trained network in a processor in charge of inferring the information sought.

Inference in embedded systems is a safer alternative to cloud processing, and that is convenient in the industrial sector. Different embedded systems and different neural network architectures suitable for those systems have been investigated to find the best solution to the task. The main work has been researching the alternatives, preparing the images, implementing the neural network, and reconfiguring it based on the results.

[CA] La majoria de projectes de visió artificial utilitzen algorismes tradicionals no relacionats amb l’aprenentatge automàtic. El problema sorgeix quan les imatges d’un mateix element a reconéixer tenen molta variabilitat i aqueixos algorismes fallen. L’aprenentatge automàtic és l’eina adequada per a aquests casos, a causa de la seua capacitat d’adaptació a situacions atípiques. Els algorismes d’aprenentatge automàtic estan basats en l’estadística i indueixen models a partir de les dades. D’aquests models, les xarxes neuronals són el més potent i versàtil hui dia. En el cas del reconeixement d’imatges, se solen utilitzar les xarxes neuronals convolucionals. Aquestes posseeixen neurones especialitzades a aplicar filtres a les imatges per a extraure les seues característiques principals. En aquest treball, realitzat en un àmbit de pràctica d’empresa, s’han aplicat xarxes neuronals a un problema de detecció d’objectes, el qual consisteix a localitzar i classificar objectes en una imatge. Per a això s’ha entrenat la xarxa neuronal en un ordinador de sobretaula i després s’ha desplegat en una càmera amb un processador especialitzat integrat. L’entrenament consisteix a processar una gran quantitat d’imatges de l’objecte que es vol detectar i el desplegament consisteix a col·locar la xarxa entrenada en un processador encarregat d’inferir la informació buscada. La inferència en sistemes embeguts és una alternativa més segura al processament en el núvol, i això és convenient en el sector industrial. S’han investigat diferents sistemes embeguts i diferents arquitectures de xarxes neuronals adequades a aqueixos sistemes per a trobar la millor solució a la tasca. La labor principal ha consistit a investigar les alternatives, preparar imatges, implementar la xarxa neuronal i reconfigurar-la en base als resultats.