فناوری بینایی (Vision) بهسرعت به یکی از مهمترین کاربردهای حسگری در توسعه اینترنت اشیا (IoT) تبدیل شده و این تحول، دنیای ما را بهطور عمیقی تغییر داده است.
فهرست مطالب
- 1 کارخانهها و تولید: انقلاب با فناوری بینایی
- 2 حسگرهای بینایی در ساختمانها و اینترنت اشیا
- 3 پردازندهها و واحدهای پردازش عصبی
- 4 ملاحظات حسگری بینایی در اینترنت اشیا
- 5 اتصال (Connectivity)
- 6 امنیت (Security)
- 7 یادگیری ماشین در لبه (ML at the Edge)
- 8 استانداردها (Standards)
- 9 رقابت برای ورود به بازار (Race to Market)
- 10 یک نمونه واقعی: دوربین مجهز به یادگیری ماشین
- 11 فرصتهای پیش رو
کارخانهها و تولید: انقلاب با فناوری بینایی
تصور کنید در کارخانهها و خطوط تولید چه اتفاقی در حال رخ دادن است. سیستمهای بینایی کامپیوتری (Computer Vision) میتوانند کارخانههای مدرن را متحول کنند. این سیستمها با اطمینان از کنترل کیفیت (Quality Control)، بهینهسازی فرآیندها، کاهش ضایعات و هدایت بهبود مستمر، نقش مهمی ایفا میکنند. نتیجه؟ افزایش بهرهوری، صرفهجویی در هزینهها و تقویت رقابتپذیری در عملیات تولید.
در نظرسنجی اخیر شرکت Arm درباره اینترنت اشیا، پاسخدهندگان صنعتی اعلام کردند که دو دلیل اصلی آنها برای استفاده از فناوریهای IoT عبارتاند از:
- بهبود استفاده از دادهها برای تحول در تصمیمگیریهای تجاری
- ارتقای تجربه مشتریان
در ساختمانهای تجاری نیز انقلابی مشابه در جریان است.
حسگرهای بینایی در ساختمانها و اینترنت اشیا
مدیران ساختمانها از حسگرهای بینایی IoT برای نظارت و تحلیل سطح اشغال (Occupancy Levels) در بخشهای مختلف ساختمان استفاده میکنند تا بهرهوری فضا را بهینه کنند. آنها میتوانند الگوهای تردد (Foot Traffic Patterns) و دادههای اشغال دفاتر و میزها را تحلیل کنند تا تصمیمهای هوشمندانهتری درباره چیدمان دفاتر، ترتیب صندلیها و تخصیص اتاقهای جلسات بگیرند.
این نتایج از ابتدای دیجیتالی شدن در ذهن مدیران کارخانهها و ساختمانها بوده است، اما چه چیزی اکنون به آنها کمک میکند تا به جاهطلبیهایشان برسند؟ چرا توسعهدهندگان با چنین سرعتی و هوشمندی به سمت راهحلهای حسگری بینایی حرکت میکنند؟
پاسخ در فناوریهای پردازشی کممصرف و بسیار کارآمد نهفته است که میتوانند دادههای بیشتری را با کارایی بالاتر پردازش کنند و از الگوریتمهای هوش مصنوعی (AI Algorithms) برای گسترش کاربردها و هوشمندتر شدن دادهها بهره ببرند.
پردازندهها و واحدهای پردازش عصبی
ترکیب پردازندههای مرکزی کارآمد (CPUs)، پردازندههای عصبی (Neural Processors) و نرمافزارهای هوش مصنوعی و یادگیری ماشین (AI and ML) در لبه (Edge) فرصتهای تجاری جدیدی را ایجاد کرده است.
جالب اینجاست که هنوز در مراحل اولیه این تحول هستیم؛ دورهای که بسیار شبیه به فاز اولیه توسعه تلفنهای همراه است: اکوسیستمی در حال شکلگیری که نرمافزار از سختافزار جدا شده تا انعطافپذیری بیشتری در طراحی و توسعه برنامهها فراهم کند.
کسانی که در حاشیه نوآوریهای بینایی (Vision Innovation) ایستادهاند، در خطر عقب ماندن قرار دارند. این فقط بهخاطر از دست دادن فرصتها نیست؛ بلکه به این دلیل است که تقریباً هیچ بهانهای برای دست به کار نشدن وجود ندارد. تمام ابزارها و فرآیندهای لازم برای شروع سفر بینایی در دسترس هستند.
ملاحظات حسگری بینایی در اینترنت اشیا
اتصال (Connectivity)
ادغام اتصال در دستگاههای IoT از طریق پروتکلهایی مانند Wi-Fi، بلوتوث کممصرف (BLE) و غیره، توسعهای کلیدی بوده است، مشابه ادغام اتصال در گوشیهای هوشمند. توسعهدهندگان میتوانند پروتکل ارتباطی مناسب را برای کاربرد خاص خود انتخاب کنند. برای مثال، سیستمهای بینایی هوشمند در کارخانهها ممکن است از Wi-Fi به دلیل هزینه و مقیاسپذیری استفاده کنند، در حالی که سیستمهای کممصرف ممکن است به BLE روی آورند.
مهمتر از آن، پذیرش فزاینده فناوری 5G با پهنای باند بالا، نوید ارائه برنامههایی در شهرهای هوشمند (Smart Cities) را میدهد. در واقع، در نظرسنجی اخیر Arm، نزدیک به نیمی از نوآوران اعلام کردند که 5G در پنج سال آینده یکی از بزرگترین تأثیرات را بر توسعه IoT خواهد داشت.
امنیت (Security)
امنیت در IoT، بهویژه برای دادههای تصویری، نگرانی حیاتی است، زیرا دستگاهها سالها در میدان عملیاتی هستند. حسگری بینایی IoT در حال تکامل است تا با استفاده از چارچوبهایی مانند PSA Certified این چالشها را برطرف کند و اطمینان دهد که دستگاهها برای مدت طولانی ایمن و قابل نگهداری هستند.
یادگیری ماشین در لبه (ML at the Edge)
با انتقال پردازشهای قدرتمندتر و کارآمدتر از ابر (Cloud) به لبه (Edge)، برنامههای یادگیری ماشین (ML Applications) در حوزههای جدید و جذابی مستقر میشوند. این برنامهها عملکرد بلادرنگ را بهبود میبخشند و امکان توسعه راهحلهای نوآورانه را فراهم میکنند.
استانداردها (Standards)
APIها و چارچوبهای مشترک مانند Trusted Firmware به توسعهدهندگان امکان میدهند تا قابلیتهای اصلی را بهصورت یکپارچه در پلتفرمهای مختلف پیادهسازی کنند و نوآوری و ارزشافزایی را ترویج دهند. با پذیرش استانداردها، مشکل تکهتکه شدن (Fragmentation) در حال کمرنگ شدن است.
رقابت برای ورود به بازار (Race to Market)
فرآیند تبدیل ایده به واقعیت با سیستمهای IoT مبتنی بر بینایی به طرق دیگر نیز متحول شده است. نسلی از توسعهدهندگان با ابزارها و پلتفرمهای باز مانند Raspberry Pi بزرگ شدهاند.
اکنون بسیاری از این توسعهدهندگان – که در نوجوانی با فناوریهایی مانند Raspberry Pi آشنا شدند – در دنیای حرفهای مشغول توسعه هستند. آنها همان تجربه سهولت توسعهای را که در نوجوانی داشتند، مطالبه میکنند.
همه این عوامل دست به دست هم دادهاند تا نوآوری در برنامههای مبتنی بر بینایی را جرقه بزنند، نه تنها به این دلیل که قدرت پردازش و قابلیتهای یادگیری ماشین فراهم شدهاند، بلکه به این دلیل که موانع طراحی و توسعه در حال فروپاشی هستند.
یک نمونه واقعی: دوربین مجهز به یادگیری ماشین
به این فکر کنید که یک دوربین مجهز به یادگیری ماشین (ML-Enabled Camera) که در ورودی یک پارکینگ نصب شده – مانند آنچه در دفاتر Arm در کمبریج داریم – چه کارهایی میتواند انجام دهد. این دوربین میتواند تمام خودروهای ورودی و خروجی در طول روز را شناسایی کند و نیاز به حسگر در هر فضای پارکینگ را از بین ببرد.
قابلیتهای حسگری بینایی IoT بهطور قابلتوجهی ارتقا یافته و کاربردهای متنوع آن واقعاً شگفتانگیز است. این گسترش ناگهانی قابلیتها در IoT از طریق فناوری بینایی واقعاً قابلتوجه است.
فرصتهای پیش رو
پذیرندگان اولیه (Early Adopters) در حال جلب توجه و قلبها هستند، اما پذیرندگان دیرهنگام – کسانی که منتظرند ببینند پذیرش اولیه IoT چگونه پیش میرود – هنوز فرصت عظیمی برای تحول کسبوکارهایشان با فناوریهای بینایی دارند. امکانات را میتوانید ببینید. تنها چیزی که اکنون ما را عقب نگه میدارد، تخیل ماست.
منبع: iotforall