China Mobile, moteur de la collaboration entre la périphérie et le Cloud

La plateforme d'Edge Computing OneNET explore la fabrication intelligente grâce à la solution Intel® Visual Cloud Accelerator Card.

En bref :

  • En tant qu'important opérateur des activités et services IoT de China Mobile, China Mobile Internet of Things Co., Ltd. (China Mobile IoT), est guidée par la stratégie « Big Connectivity » de l'entreprise.

  • China Mobile IoT, en collaboration avec Intel, a introduit les serveurs MEC (Informatique de périphérie à accès multiple) grâce à la solution Intel® Visual Cloud Accelerator Card - Analytics (VCAC-A). Cela permet à la fois une grande puissance de calcul et de fortes capacités d'inférence de deep learning pour la vision industrielle en périphérie.

author-image

By

Le développement rapide des technologies de communication et de réseau donne un nouvel élan à l'innovation et à l'évolution de l'Internet des objets. Cela crée plus d'opportunités pour la numérisation et la transformation intelligente des industries traditionnelles telles que l'industrie manufacturière. En tant qu'important opérateur des activités et services IoT de China Mobile, China Mobile Internet of Things Co., Ltd. (China Mobile IoT), guidée par la stratégie « Big Connectivity » de l'entreprise, intègre l'Edge Computing, le Cloud Computing, l'intelligence artificielle (IA), la 5G et d'autres technologies de pointe afin de construire et d'améliorer la plateforme d'Edge Computing OneNET, accélérant ainsi l'innovation intelligente dans les industries manufacturières.

Les principaux avantages de la plateforme d'Edge Computing OneNET découlent de son positionnement au service de la périphérie. Cela offre aux utilisateurs une architecture IoT complète sous la forme d'une collaboration entre la périphérie et le Cloud. Afin d'équiper cette plateforme de fonctionnalités d'Edge Computing plus efficaces et plus flexibles, China Mobile IoT, en collaboration avec Intel, a introduit des serveurs MEC (Informatique de périphérie à accès multiple) avec la solution Intel® Visual Cloud Accelerator Card - Analytics (VCAC-A). Cela permet à la fois une grande puissance de calcul et de fortes capacités d'inférence de deep learning pour la vision industrielle en périphérie.

Dans le cadre de la stratégie « Big Connectivity » de China Mobile, China Mobile IoT exploite les avantages que la transformation du réseau apporte à la périphérie pour construire la plateforme d'Edge Computing OneNET afin de soutenir la transformation intelligente des industries traditionnelles. Le serveur MEC équipé de la solution VCAC-A offre aux utilisateurs une haute puissance de calcul et des capacités d'inférence visuelle efficaces en périphérie. Les solutions d'inspection de la qualité industrielle basées sur la vision industrielle que nous avons créées à partir de la plateforme d'Edge Computing OneNET aident également à la transformation numérique et intelligente des industries manufacturières. » - Yuan Liu, Deputy general manager and senior technical director, Open Platform Department, China Mobile Internet of Things Co., Ltd.

Les solutions basées sur la plateforme d'Edge Computing OneNET ont été déployées avec succès dans de nombreuses industries, y compris la fabrication de machines et le textile. Par exemple, l'utilisation de cette plateforme pour un système de gestion de l'inspection automatique des compteurs de gaz a amélioré la précision et le niveau d'automatisation de l'inspection, a réduit les coûts de main-d'œuvre, et a augmenté la productivité et l'efficacité, suscitant la reconnaissance et les éloges des utilisateurs de première ligne.

Avantages de la solution China Mobile IoT

  • La plateforme d'Edge Computing OneNET permet la synchronisation des données entre la périphérie et le Cloud, et fournit plus d'échantillons de données pour l'analyse de Big Data hors ligne et l'entraînement de l'IA dans le Cloud. Parallèlement, le Cloud transfère également les modèles et les algorithmes d'IA mis à niveau jusqu'à la périphérie, garantissant ainsi aux utilisateurs des capacités d'inférence plus efficaces et plus précises ;
  • La collaboration efficace entre la périphérie et le Cloud, le traitement visuel et les capacités d'inférence IA de la nouvelle solution aident les utilisateurs à améliorer le niveau d'automatisation de l'inspection des compteurs de gaz. Le travail des trois collecteurs de données précédents est maintenant effectué par un seul et même collecteur. Un collecteur dédié à la collecte des informations par défaut des appareils avant leur livraison n'est plus nécessaire, économisant ainsi les coûts de main-d'œuvre et réduisant le coût total de possession (TCO) ;
  • Grâce aux performances de calcul accélérées de la carte VCAC-A, la nouvelle solution offre une inférence IA efficace telle que la reconnaissance optique de caractères (ROC) et la lecture de cadran lorsqu'elle est appliquée à l'inspection des compteurs de gaz, avec une précision d'inspection pouvant atteindre 99,5 %1Cela réduit considérablement la non-détection des produits défectueux tout en améliorant l'efficacité du contrôle de la qualité.

Plateforme d'Edge Computing prenant en charge la collaboration entre la périphérie et le Cloud

En tant qu'élément essentiel ou pilier de la fabrication intelligente, le développement des technologies de l'information et des réseaux permet aux entreprises d'innover dans le fonctionnement de leurs chaînes de production, la gestion de la production et les décisions commerciales. Par exemple, le développement et l'intégration de l'Internet des objets, du Cloud Computing, de l'IA et la de technologie 5G permettent aux entreprises d'assurer un fonctionnement plus intelligent des chaînes de production, un processus de production plus efficace et des décisions commerciales plus pertinentes.

Le traitement massif des données et des calculs requis constitue un défi pour la main-d'œuvre informatique des entreprises ainsi que pour l'exploitation et la maintenance de leurs installations informatiques. Le modèle architectural traditionnel de Cloud Computing centralisé ne répond pas aux exigences de traitement massif des données découlant de la transformation numérique des entreprises, tandis que la base d'informations actuellement insuffisante des entreprises manufacturières traditionnelles limite également leur capacité à mettre en œuvre une transformation intelligente.

Pour aider à relever ces défis, China Mobile IoT tire parti des avantages que la transformation du réseau apporte à la périphérie afin de transférer certaines des capacités du Cloud vers cette dernière, en créant et en améliorant des solutions de collaboration entre la périphérie et le Cloud utilisant la plateforme d'Edge Computing OneNET en tant que noyau. L'architecture de cette plateforme est illustrée à la Figure 1. La plateforme permet aux utilisateurs d'obtenir une série de fonctionnalités complexes telles que l'entraînement du modèle d'IA, l'analyse de Big Data et le calcul de fonctions dans le Cloud via la collaboration de services, la collaboration intelligente et d'autres méthodes, sans DevOps. Elle fournit également de nombreux échantillons de données d'analyse d'entraînement pour le Cloud tout en réduisant considérablement le temps de mise à niveau des algorithmes grâce à la collaboration de données en périphérie. Elle tire aussi parti des capacités de collecte de données et de contrôle des équipements, ainsi que de la puissance de calcul et des capacités d'inférence élevées déployées en périphérie pour mettre en œuvre l'agrégation de données, l'exécution d'applications, l'inférence IA et la surveillance de sécurité sur les lignes de production et les équipements. Cela réduit la pression sur le réseau découlant de la transmission des données et augmente l'agilité et la sécurité du système.

En s'appuyant sur la plateforme d'Edge Computing OneNET dotée des fonctions ci-dessus et en se concentrant sur les défis et les demandes pratiques dans le processus de transformation intelligente de diverses industries, China Mobile IoT a proposé une série de solutions industrielles, comprenant des solutions d'inspection automatique pour les compteurs utilisés par les fabricants d'équipements de gaz à des fins de fabrication intelligente.

Nouvelles solutions d'inspection des compteurs de gaz basées sur OneNET

Les fabricants d'équipements de gaz effectuaient auparavant plusieurs tâches manuellement : relevés des compteurs avant la livraison, compte du nombre de types d'appareils distincts et tests de la précision des compteurs. Cette méthode présente naturellement les inconvénients d'un taux d'erreur élevé lors du relevé des compteurs ainsi qu'une faible efficacité. Les solutions d'inspection automatisées basées sur la vision industrielle constituent un moyen efficace de remédier à ce problème. Toutefois, en raison du nombre important de fabricants de compteurs ainsi que des différents modèles d'un même fabricant, il existe de nombreuses différences dans l'affichage des données. Les solutions standard de vision industrielle ont du mal à travailler avec ces situations diverses et variées. Chaque fois qu'un fabricant ajoute une nouvelle ligne de produits ou modifie simplement la conception des cadrans, l'algorithme visuel standard doit être redéveloppé, entraînant ainsi une perte de temps et de ressources tout en augmentant les coûts.

La nouvelle solution de collaboration entre la périphérie et le Cloud basée sur la plateforme d'Edge Computing OneNET développée par China Mobile IoT a apporté une solution simplifiée à ces problèmes. Elle exploite les puissantes capacités d'entraînement de modèle IA et d'analyse de Big Data dans le Cloud afin de fournir aux entreprises une mise à niveau et une optimisation en temps réel de leurs modèles d'inspection, réduisant ainsi le coût et la pression sur les opérations et la maintenance des installations informatiques. En utilisant les puissantes capacités de l'Edge Computing, elle aide les entreprises à construire de manière efficace et flexible de nouvelles solutions d'inspection dans leurs chaînes de production, basées sur la vision industrielle et le deep learning.

Figure 1. Architecture globale de la plateforme d'Edge Computing OneNET.

Figure 2. Processus d'inspection des compteurs de gaz basé sur la plateforme d'Edge Computing OneNET.

Comme le montre la Figure 2, dans la nouvelle solution d'inspection des compteurs de gaz basée sur la plateforme d'Edge Computing OneNET, des caméras industrielles haute définition installées sur la chaîne de production des compteurs de gaz effectuent une capture vidéo en temps réel des produits qui passent sur la chaîne de production et transmettent ces données à haut débit via un réseau 5G à large bande passante et à faible latence vers la plateforme d'Edge Computing OneNET à la périphérie. Une fois que le serveur MEC déployé sur la plateforme a chargé le modèle de reconnaissance prédéfini, il localise le relevé du compteur dans un premier temps, puis il reconnaît les informations sur un cadran dans un deuxième temps.

En raison des différents modèles, orientations et intervalles des compteurs sur les chaînes de production et des différents angles des images que les caméras capturent à partir des vidéos, le système doit d'abord localiser les zones du compteur. Dans la nouvelle solution, un algorithme de détection d'objets basé sur le deep learning permet de localiser la zone de lecture du compteur. Afin d'améliorer sa polyvalence et sa disponibilité, la solution intègre un modèle de détection d'objets SSD (Single Shot MultiBox Detector) 3002, qui se caractérise par une précision d'inspection comparable à celle de Faster R-CNN et une vitesse d'inspection accrue grâce aux performances de calcul accélérées de la nouvelle carte VCAC-A, répondant aux exigences d'inspection en temps réel des chaînes de production industrielles.

Après avoir localisé les zones du compteur, le système utilise différentes méthodes de vision industrielle pour reconnaître automatiquement trois types d'informations, à savoir les relevés du cadran, le code-barres de l'utilisateur et le modèle du compteur. En cas de grandes différences dans les polices et les couleurs de lecture des cadrans, la solution applique un modèle de classification et de reconnaissance basé sur le deep learning. Ce modèle est plus robuste en termes d'éclairage et de gradient, ce qui signifie que la qualité des images prises à partir de vidéos n'est pas si importante et que l'applicabilité de la solution s'en trouve améliorée grâce à la réduction du temps de débogage détaillé sur site. Concernant la reconnaissance des codes-barres des utilisateurs, la solution utilise le principe de la réponse en périphérie pour localiser les codes-barres, tandis qu'elle les corrige avec le module de reconnaissance en fonction du fort gradient du code-barres dans la direction x et les décode ensuite rapidement.

Les symboles des compteurs de gaz sont généralement composés de lettres, de chiffres et de symboles spéciaux. Afin d'obtenir une reconnaissance et un filtrage rapides des symboles, la solution utilise un modèle CRNN (Réseau de neurones convolutif et récurrent) basé sur le deep learning3 pour construire un module ROC efficace. Par rapport à d'autres modèles de deep learning, la conception unique de l'architecture de réseau (couche convolutive, couche de circulation, couche de transcription) du modèle CRNN le rend plus adapté à la reconnaissance de texte.

Après la reconnaissance des informations sur un cadran, la plateforme d'Edge Computing OneNET télécharge les résultats sur la plateforme Cloud OneNET en temps réel. Grâce à sa puissance de calcul et à ses capacités d'entraînement et d'analyse dans le Cloud, elle utilise de nombreux échantillons de données permettant d'approfondir l'entraînement et d'optimiser le modèle. Le modèle actualisé sera remis en périphérie pour une mise à niveau en ligne, de sorte que l'efficacité et la précision de l'inspection du système soient continuellement améliorées grâce à cette collaboration entre la périphérie et le Cloud et à l'itération continue.

Intel VCAC-A offrant une accélération de la puissance de calcul

Lors de la création de solutions intelligentes pour diverses chaînes de production industrielles, China Mobile IoT recherche également une infrastructure haute performance pour la plateforme d'Edge Computing OneNET, afin que celle-ci fournisse une puissance de calcul élevée et des fonctionnalités d'inférence visuelle efficaces. De fait, la carte VCAC-A dans le serveur MEC est bien le composant clé que China Mobile IoT et Intel ont conjointement déployé sur la plateforme pour ses capacités d'inférence visuelle.

Une grande partie du travail de décodage, de mise à l'échelle et d'analyse vidéo doit être effectuée dans une solution de fabrication intelligente basée sur la vision industrielle. Ces tâches sont traditionnellement effectuées par le processeur. Avec l'amélioration constante de la qualité vidéo, en particulier l'utilisation de caméras industrielles ayant une définition supérieure à 1080p, la puissance de calcul requise pour les charges de travail augmente considérablement. Si ces tâches sont exécutées par le processeur, cela affectera inévitablement les performances globales du système.

La carte VCAC-A a été utilisée pour la première fois dans le serveur MEC de la plateforme d'Edge Computing OneNET dans ce contexte. Basée sur un seul processeur Intel® Core™ et 12 unités de traitement de la vision Movidius™ Myriad™ X, elle offre des capacités de traitement vidéo haute densité. Lorsqu'elle est utilisée avec le processeur Intel® Xeon® Gold 6140 à double socket dans le serveur MEC, elle est capable de prendre en charge jusqu'à 24 canaux de décodage, de mise à l'échelle et d'analyse vidéo 1080p/30 fps ainsi que d'autres besoins de traitement vidéo dans la solution. Cela signifie également que davantage de ressources de traitement sont libérées, améliorant ainsi l'efficacité globale du système.

Une autre caractéristique unique de la carte VCAC-A est son excellente capacité d'inférence visuelle. Comme indiqué précédemment, les solutions de fabrication intelligente basées sur le deep learning sont indissociables d'une grande quantité d'inférence IA. Le modèle SSD300 utilisé dans la solution d'inspection des compteurs de gaz, par exemple, doit préparer différentes tailles de boîtes par défaut avant que le système n'exécute rapidement l'étape « Single Shot » dans ces dernières. Plus les boîtes par défaut sont riches, plus le taux de succès de localisation est élevé. Dans cette solution, il faut construire jusqu'à 8 732 boîtes par défaut, ce qui constitue un énorme défi pour les performances d'inférence du système.

Bien que le processeur puisse être utilisé pour effectuer des opérations d'inférence, cela affecterait la performance globale du système. Une autre solution serait de renvoyer les données vers le Cloud via le réseau pour qu'elles y soient traitées, mais cela consommerait une précieuse bande passante de réseau, ce qui pourrait affecter la performance et la sécurité en temps réel. La solution la plus agile consiste à mettre en œuvre des opérations d'inférence efficaces par le déploiement sur place de la solution VCAC-A. Le processeur vectoriel à virgule flottante SHAVE 128 bits VLIW intégré à la carte VCAC-A offre des capacités d'inférence IA haute vitesse et basse puissance. Cela raccourcit le processus d'inférence et autorise le système à effectuer les tâches d'inspection à la périphérie, permettant un traitement unique de la longue chaîne de travail initiale sur le serveur MEC.

Cette nouvelle solution a pu être déployée dans un système de gestion de l'inspection automatique des compteurs de gaz. Les retours d'expérience de la chaîne de production montrent que l'adoption de la nouvelle solution a entraîné la transformation des processus de production et d'inspection vers l'automatisation et l'informatisation et que la productivité des employés a été considérablement améliorée. En particulier dans la session de test de la précision des compteurs, trois collecteurs de données ont été réduits à un seul et un collecteur dédié à la collecte des informations par défaut des appareils avant leur livraison n'est plus nécessaire. Cela permet d'économiser des coûts de main-d'œuvre et de réduire le coût total de possession (TCO). De plus, l'algorithme de vision industrielle basé sur le deep learning n'est pas limité par la conception des cadrans et peut être appliqué pour tester le fonctionnement de différents modèles de compteurs avec une précision de reconnaissance en ligne supérieure à 99,5 %1. L'objectif d'avoir un seul ensemble d'équipements pour toutes les chaînes de production est ainsi atteint, apportant efficacité et avantages aux entreprises manufacturières de première ligne.

Conclusion

La solution de plateforme d'Edge Computing OneNET de China Mobile IoT atteignant un certain degré de maturité, d'autres opportunités d'utilisation ont été reconnues dans les secteurs de l'acier, du textile, des machines et d'autres industries manufacturières.

Par exemple, dans une chaîne de production textile, cette solution est capable d'effectuer une détection en temps réel des défauts du textile. Des défauts tels que des coutures incorrectes et des trous difficiles à repérer à l'œil nu lorsque la machine textile fonctionne à grande vitesse peuvent être détectés. L'intégration de l'architecture de collaboration entre la périphérie et le Cloud dans le système de gestion de la production textile permet d'effectuer des opérations telles que le démarrage et l'arrêt automatiques de la chaîne de production et le calibrage de la qualité des tissus. De même, son déploiement pour un grand fabricant de servopresses aide l'entreprise à mettre en œuvre avec succès l'analyse intelligente des vibrations des moteurs dans les équipements et la maintenance prédictive en périphérie, réduisant les temps d'arrêt imprévus de l'entreprise de 15 % chaque année4.

China Mobile IoT envisage à l'avenir de coopérer plus étroitement avec Intel afin d'appliquer davantage de progrès technologiques de pointe en matière de réseaux et d'informations à la construction de solutions IoT et de fabrication intelligente, ainsi que de prendre des mesures pratiques pour favoriser la transformation numérique et intelligente des industries manufacturières.

Carte accélératrice Celestica VCAC-A

Celestica VCAC-A (Visual Cloud Accelerator Card for Analytics) est une carte accélératrice de Cloud visuel pour l'analyse des médias dotée d'interfaces PCI-E standard. Elle est équipée d'un processeur Intel® Core™ i3 à faible consommation d'énergie (graphiques HD Intel® 620 intégrés) et de 12 unités de traitement de la vision Intel® Movidius™ Myriad™ X. Elle dispose également de deux petits modules de mémoire en ligne (SO-DIMM) prenant en charge jusqu'à 8 Go de mémoire DDR4. Cette carte accélératrice fournit des solutions de Cloud visuel plus efficaces et plus économiques pour les applications de périphérie telles que l'inférence de l'intelligence artificielle, ou la création et l'analyse de médias, qui se développent à grande vitesse.

Caractéristiques techniques

1 x processeur Intel® Core™ i3

  • Double cœur
  • 2,40 GHz (vitesse d'horloge)
  • Cache de 3 Mo
  • 15 W TDP
  • Graphiques HD Intel® 620

2 x 4 Go de mémoire DDR4 SO-DIMM, soit 8 Go au total

12 x unités de traitement de la vision Intel® Movidius™ Myriad™ X MA2485

  • Fréquence de fonctionnement de 700 MHz
  • 16 x processeurs vectoriels à virgule flottante SHAVE 128 bits VLIW
  • 2 x processeurs LEON4 RISC 32 bits
  • 4 Gbit LP DDR4 package mem

Interface hôte PCIe Gen 3 x 4

Consommation d'énergie et refroidissement

75 watts (puissance maximale)

Refroidissement passif

Dimensions physiques

Hauteur : hauteur totale de 126 mm

Largeur : 254 mm à ¾ de longueur

Largeur de slot unique

Environnement de fonctionnement

Température de fonctionnement : 0 °C à 55 °C @ 15CFM

Température de non-fonctionnement : -20 °C à 70 °C

Humidité : humidité relative de 8 % à 85 %

Altitude de fonctionnement : 3 050 m

Agrément

Compatibilité électromagnétique : classe A, CISPR 22, FCC, CE

Sécurité : Schéma CB, UL, cUL, CE

Télécharger le PDF ›

Découvrez les produits et solutions associés

Infos sur le produit et ses performances

1Les résultats des tests sont basés sur un serveur MEC ayant les configurations suivantes : serveur Intel® Wolf Pass R2208WFTZS ; processeur : processeur Intel® Xeon® Gold 6140 à 2 sockets ; mémoire : 12 × 16 Go ; stockage : 2 × 800 Go SDD, 1 × carte accélératrice Celestica VCAC-A. Pour plus de détails, veuillez contacter China Mobile Internet of Things Co., Ltd.
2Pour plus de détails sur l'infrastructure du modèle de détection d'objets SSD, voir Liu W, Anguelov D, Erhan D, et al. SSD : Single Shot MultiBox Detector (J). 2016.
3Pour plus de détails sur l'infrastructure du modèle CRNN, voir Shi B, Bai X, Yao C. An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition(J). IEEE Transactions on Pattern Analysis & Machine Intelligence, 2015, 39(11) : 2298-2304.
4 Les résultats des tests sont issus des tests internes de China Mobile Internet de Things Co., Ltd. Pour plus de détails, veuillez contacter China Mobile IoT Co., Ltd.