人工智能（AI）能夠使工業(yè)物聯(lián)網(wǎng)（IoT）的嵌入式系統(tǒng)具有更高的響應(yīng)能力和可靠性，并且該技術(shù)已被用于監(jiān)測(cè)機(jī)械狀況并確定是否將要發(fā)生故障。以更具成本效益的方式安排維護(hù)工作。

在嵌入式系統(tǒng)中AI技術(shù)的部署時(shí)，要考慮到大部分?jǐn)?shù)據(jù)的處理在哪里進(jìn)行。AI算法在所需的計(jì)算性能方面差異很大，并且對(duì)處理該算法所需的內(nèi)容以及在何處進(jìn)行處理有很大的影響。

系統(tǒng)設(shè)計(jì)人員可以使用三種清晰的方法來(lái)開(kāi)發(fā)基于嵌入式AI的系統(tǒng)，包括使用基于云的AI服務(wù)，使用內(nèi)置AI部署系統(tǒng)或創(chuàng)建自己的算法（通常基于開(kāi)源軟件）。

深度神經(jīng)網(wǎng)絡(luò)（DNN）架構(gòu)是算法的一個(gè)示例，尤其是在訓(xùn)練階段，計(jì)算特別密集，在訓(xùn)練階段，每次更新模型時(shí)都需要數(shù)十億個(gè)浮點(diǎn)計(jì)算。由于對(duì)DNN的強(qiáng)烈需求，經(jīng)典的方法是將數(shù)據(jù)發(fā)送到云進(jìn)行遠(yuǎn)程處理。工業(yè)控制中支持AI的設(shè)備可以利用此遠(yuǎn)程處理，其中許多以開(kāi)源形式提供。

Google的TensorFlow，它為具有創(chuàng)建AI算法經(jīng)驗(yàn)的工程師以及剛剛起步的工程師提供了多個(gè)算法。Keras API構(gòu)成TensorFlow框架的一部分，可輕松探索機(jī)器學(xué)習(xí)技術(shù)和運(yùn)行應(yīng)用程序。

然而，基于云的處理的缺點(diǎn)在于所需的通信帶寬。可靠的互聯(lián)網(wǎng)連接對(duì)于維持服務(wù)至關(guān)重要，并且值得注意的是，云AI的許多消費(fèi)者應(yīng)用程序都依賴寬帶連接。工廠中的機(jī)床可能無(wú)法訪問(wèn)實(shí)時(shí)更新遠(yuǎn)程AI模型所需的數(shù)據(jù)速率。

通過(guò)在本地進(jìn)行更多處理，因此有可能縮減帶寬需求，有時(shí)會(huì)大幅縮減。在監(jiān)視環(huán)境變量的應(yīng)用程序中，許多變量不會(huì)長(zhǎng)時(shí)間更改。對(duì)于模型而言，重要的是高于或低于某些閾值的變化。即使傳感器可能需要毫秒級(jí)地分析傳感器的輸入，但云服務(wù)器的更新速率可能約為每秒幾次更新，甚至更少。

構(gòu)建AI軟件

對(duì)于更復(fù)雜的數(shù)據(jù)形式，例如音頻或視頻，將需要更大程度的預(yù)處理。在將輸出傳遞到AI模型之前執(zhí)行圖像處理不僅可以節(jié)省通信帶寬，還可以幫助改善系統(tǒng)的整體性能。例如，在壓縮之前進(jìn)行降噪通常會(huì)提高壓縮算法的效率。這與對(duì)高頻信號(hào)敏感的有損壓縮技術(shù)相關(guān)。邊緣檢測(cè)可與圖像分割一起使用，這減少了在訓(xùn)練和推理期間都需要輸入到模型的無(wú)關(guān)數(shù)據(jù)的數(shù)量。

盡管圖像處理是一個(gè)復(fù)雜的領(lǐng)域，但在許多情況下，開(kāi)發(fā)人員可以在本地處理算法，從而利用易于使用的庫(kù)并消除對(duì)高帶寬Internet連接的需求。一個(gè)簡(jiǎn)單的例子是開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)OpenCV，該庫(kù)用于預(yù)處理AI模型的數(shù)據(jù)。開(kāi)發(fā)人員可以使用C ++，Java，Python和Matlab代碼進(jìn)行調(diào)用，以實(shí)現(xiàn)高性能，并在將算法移植到嵌入式目標(biāo)之前，還支持簡(jiǎn)單的原型制作。

通過(guò)使用OpenCV并在本地處理數(shù)據(jù)，集成商還消除了在云中傳輸和存儲(chǔ)數(shù)據(jù)相關(guān)的安全風(fēng)險(xiǎn)，最終用戶關(guān)注的是數(shù)據(jù)傳遞到云時(shí)的隱私和安全性。狀態(tài)監(jiān)視和工業(yè)檢查是關(guān)鍵過(guò)程，需要盡可能完善的數(shù)據(jù)分析。盡管云運(yùn)營(yíng)商已采取措施來(lái)防止數(shù)據(jù)受到破壞，但是如果被成功入侵，就盡可能多地將數(shù)據(jù)保留在每個(gè)設(shè)備中。

除支持圖像處理外，OpenCV的最新版本還直接支持許多流行的框架（包括Caffe，PyTorch和Tensorflow）構(gòu)建的機(jī)器學(xué)習(xí)模型。

對(duì)于移植到嵌入式設(shè)備的任何機(jī)器學(xué)習(xí)模型，性能都是首要考慮的問(wèn)題。由于訓(xùn)練數(shù)據(jù)對(duì)性能的要求非常高，因此兩種選擇是在本地或云服務(wù)器上執(zhí)行此操作（取決于隱私問(wèn)題），并在設(shè)備本身執(zhí)行（當(dāng)訓(xùn)練模型提供實(shí)時(shí)數(shù)據(jù)時(shí)）。

內(nèi)置AI的Edge設(shè)備

如果每個(gè)節(jié)點(diǎn)的吞吐量相對(duì)較低，則一個(gè)網(wǎng)關(guān)可以處理多個(gè)傳感器節(jié)點(diǎn)的任務(wù)。由Octonion開(kāi)發(fā)的Brainium平臺(tái)提供了針對(duì)嵌入式系統(tǒng)的完整開(kāi)發(fā)框架。它的軟件環(huán)境直接支持使用云系統(tǒng)進(jìn)行原型設(shè)計(jì)，并部署在使用Avnet SmartEdge Agile硬件構(gòu)建的IoT設(shè)備和網(wǎng)關(guān)上。

Brainium軟件環(huán)境協(xié)調(diào)設(shè)備，以形成AI的整體環(huán)境。為了能夠?qū)?yīng)用程序擴(kuò)展到深度嵌入的節(jié)點(diǎn)，該環(huán)境支持多種AI技術(shù)，這些技術(shù)的計(jì)算強(qiáng)度低于DNN中采用的技術(shù)。網(wǎng)關(guān)軟件可以部署在現(xiàn)成的硬件上，例如能夠運(yùn)行Android或iOS的平臺(tái)。在需要更高性能的地方，Brainium的云層可以部署在AWS，Microsoft Azure或自定義服務(wù)器解決方案上。

施耐德電氣和Festo還將本地AI納入了針對(duì)特定應(yīng)用的控制產(chǎn)品中。前者提供Predictive Analytics應(yīng)用程序，以識(shí)別影響性能的細(xì)微變化。在2018年，F(xiàn)esto收購(gòu)了數(shù)據(jù)科學(xué)專(zhuān)家Resolto，其SCRAITEC軟件用來(lái)了解系統(tǒng)的狀態(tài)。

原始設(shè)備制造商或集成商在部署AI時(shí)采用哪種方法將取決于具體情況。例如，當(dāng)用戶嘗試?yán)么髷?shù)據(jù)分析時(shí)，他們可能希望將信息從許多系統(tǒng)中搬到更大的數(shù)據(jù)庫(kù)中，因此傾向于使用云服務(wù)，而更多人希望保護(hù)數(shù)據(jù)的隱私。
責(zé)任編輯:tzh