转自:
https://medium.com/@stephen.gardner.ag/integration-of-nvidia-jetson-systems-in-industrial-networks-abb8a17f1745
我们的基准应用程序结合了图像处理和机器学习技术来解决零件拾取问题。图像处理部件使用OpenCV识别部件的外部边缘。推理利用了经过重新训练的更快的R-CNN初始模型。完整的高清图像可以在不到0.8秒的时间内得到处理,这是配备GTX1080Ti显卡的台式计算机所需时间的两倍多。考虑到Jetson的最大功耗为30瓦,远远低于是台式机的耗能,这更加令人惊讶。
选择正确的路径来集成此类系统在很大程度上取决于应用程序。可能性包括使用MQTT代理,OPC UA或简单的基于套接字的通信。我们使用Beckhoff系统测试了MQTT通信,并使用Siemens S7–1200 PLC测试了OPC UA接口。这里描述的基准应用程序使用了后者。
基准应用程序的输出图像:
基准测试应用程序需要以下功能:
上面的功能是由轻量级的应用服务器精心策划的。该服务器包括一个HTTP服务器,该HTTP服务器允许访问所有配置数据,日志和图像。这些功能被实现为插件,每个插件都通过标准API提供访问权限,该API包括输入和输出图像以及一系列潜在目标。
有人可能会争辩说,完整的应用程序可以使用OpenCV来实现,而许多类似的应用程序都可以使用。甚至可能已经证明这是更快的解决方案,但是,在此应用程序中使用推理的优势非常明显:
比较方式
此列表将尽快更新:
我们对Jetson™Nano的评估已经完成
我们的模型已转换为TensorRT,这将是进一步博客的主题
结论
此基准测试应用程序并不假装代表完美的零件拣选解决方案。尚未对其进行严格的优化。它使我们能够使用相同的代码,输入图像和模型将开发系统的性能与Jetson™系统的测量性能进行比较。
我们希望将我们的模型转换为TensorRT后,Jetson™的性能会进一步提高。