Skip to main content

雲端原生將電腦視覺導向臨界邊

電腦視覺, 邊緣安全性, AI 技術

偏遠的油井、煉油廠、掩埋場和化學廠,燃燒塔回收系統會消耗揮發性有機物 (VOC)。這類消耗有助於緩解工廠設備的壓力,並防止有毒氣體釋放到大氣中,傷害附近的生態系統 (圖 1)。

圖 1.燃燒塔可緩解化學和石化設施的氣體壓力,先燃燒揮發性有機物,氣體才能進入大氣。(資料來源:Politico)
圖 1. 燃燒塔可緩解化學和石化設施的氣體壓力,先燃燒揮發性有機物,氣體才能進入大氣。(資料來源:Politico)

EPA 法規規定必須監視燃燒塔,確保引火燄持續燃燒,因此必須使用配備電腦視覺 (CV) 技術的熱成像儀。熱成像儀會偵測火焰中現有 VOC 量與類型,結果可作為引火燄降解的主要指標。

持續將視訊摘要傳送至分析平台是這個方法的其中一個缺點,也就是資料中心這類一般使用案例的問題。地處偏遠的現場鮮有這類基礎架構,業者只剩下兩個選項:透過無線網路傳送視訊摘要,或是在邊緣執行視訊分析。

實際上,有鑑於透過行動網路串流視訊資料的成本,第一個選項根本不切實際。簡而言之,視訊分析必須在邊緣進行,而這項任務本身面臨以下挑戰:

  • 需要動用的軟體、演算法和儲存裝置,往往遠遠超過邊緣可提供的運算資源,因為需要額外的設備才能實現。
  • 這類設備極可能採用伺服器的形式,而且必須符合在爆炸性環境條件部署的產業標準。
  • 這類系統必須能夠與現場 HMI、網路與 SCADA 基礎架構整合,才能一發現錯誤就立即採取行動。

這些只不過是邊緣式視訊分析的初步難題。由於這類使用案例固有的安全性疑慮,加上工程人員的作業背景,因此遲遲不願在偏遠的工廠部署物聯網和雲端技術。

因此,另一個大問題隨之而來。

「這一行的從業人員將伺服器或電腦安裝在櫃子內就離開了。從此以後不再見面。」ZEDEDA 生態系統部門副總裁 Jason Shepherd 說道。「他們啟動設備。他們開始錄製。所有資料均以本機方式儲存,然後,如果有個三長兩短,就把影片放來看,而這類影片通常保留 2 週至 30 天。資料箱是否運轉,他們的可見度是零。」

如果業者研判,其實視訊分析系統出錯,或是需要簡單的軟體更新呢?

Shepherd 補充道:「他們目前用 SSH 進入資料箱,以手動方式上傳資料。」「如果必須重複 50 次、100 次這種程序,實在是非常痛苦,而且不能擴充。」

邊緣視訊分析:揮別傳統

然而,與其讓企業技術配合作業環境,何不讓作業環境配合企業?畢竟,這類技術的先進程度,遠遠超過邊緣電子設備已安裝舊版的基礎。更重要的是,它透過整合工作負載,實現了成本綜效。

ZEDEDA 以雲端型不限於特定硬體的物聯網邊緣調度配置解決方案支援電腦視覺,是專為這類使用案例所量身設計 (圖 2)。這套系統採用託管於 Linux 基金會 LF Edge 開源傘的開放原始碼計劃,邊緣虛擬化引擎 (EVE),可以讓使用者將新的和現有的應用程式封裝於 Docker 或 Kubernetes 容器中。裝有 CV、分析和安全性這類應用程式的多個容器,通通可以部署在單一邊緣伺服器上,從雲端進行遠端管理。

圖 2.物聯網邊緣調度配置平台採用開放原始碼容器技術,可促進工作負載整合、應用程式可攜性,並減少單一廠商鎖定。(資料來源:ZEDEDA)
圖 2. 物聯網邊緣調度配置平台採用開放原始碼容器技術,可促進工作負載整合、應用程式可攜性,並減少單一廠商鎖定。(資料來源:ZEDEDA)

在燃燒偵測與監測等混合關鍵性使用案例中,ZEDEDA 平台使用開放原始碼 ACRN Hypervisor,以安全且滴水不漏的方式分割執行其他軟體元件所控制應用程式的容器。這個架構能確保不同應用程式的程序不會互相干擾,並且將錯誤或安全漏洞控制在容器內。

執行無線軟體更新時,這個架構也能派上用場。

Shepherd 表示:「如果您擁有舊式 SCADA 系統,或是用 OSIsoft PI 當作 Historian,但希望將伺服器上的這類系統和 AI 模型這類新式應用程式整合於旁邊的單一容器,這件事包在我們身上。」「這種容器是裸機,所以我們可以針對安全性與網路連線進行各種作業,還可以將若干 CPU 的核心指派給某些應用程式。」

「系統有餘裕時,會嘗試在單獨的分割區進行更新。如果無法在 10 分鐘內更新成功,系統便會恢復為更新前所執行的版本。」他繼續說道。「資料中心的運作方式則不同。他們仰賴控制器和資料中心之間的絕佳管道。我們則是指望能夠擺脫管道。」

此外,ZEDEDA 支援零接觸配置,這個方式讓作業工程師得以順暢無礙地建置裝,完全沒有 IT 學習曲線的問題。

燃燒塔監測,從原型化到工廠

為了支援燃燒塔這類特定使用案例,ZEDEDA 代管了一種軟體的「應用程式市場」,而且已認證可與平台搭配使用。這類平台包括通訊協定轉換堆疊、用於與 Microsoft Azure 這類雲端平台整合的 API,以及深度學習型 CV 模型。另外還支援 Intel® OpenVINO 工具組,這套工具有助於將 AI 演算法最佳化,以搭配 Intel® 處理器執行。

該公司的 Edge AI & Computer Vision Acceleration Kit 是工業業者的好幫手,能將這些元件與其他元件合併成一個應用程式用的工作端解決方案 (圖 3)。這種技術堆疊與某大油田服務供應商採用的堆疊相似,也是利用 ZEDEDA 實作 EVE 的方式,在偏遠的油井部署及管理 FogHorn Systems 的深度學習型燃燒塔監測 CV 軟體。

圖 3.Edge AI & Computer Vision Acceleration Kit 讓電腦視覺工作負載得以在邊緣部署和管理。(資料來源:ZEDEDA)
圖 3. Edge AI & Computer Vision Acceleration Kit 讓電腦視覺工作負載得以在邊緣部署和管理。(資料來源:ZEDEDA)

工業的開放性與機會

雲端型技術日趨成熟,目前已經可以用於作業邊緣,遲遲不願將企業與嵌入式基礎架構混合的工業組織,紛紛開始在這類混合式設計發現機會。另外,大量硬體可以整合為執行多個應用程式的單一伺服器,因此資本支出、作業支出和故障點隨之減少。此外,還有其他優點。

因為 ZEDEDA 幾乎完全採用開放式技術,因此深受專有技術和單一廠商鎖定困擾的產業,如今有替代方案可以選擇。

Shepherd 表示:「採用最佳產業標準是 EVE 的真諦。」「我們正攜手 Kubernetes、ACRN、KVM、Xen 和 Intel® Secure Device Onboard 這類平台,並且將它封裝在一起。接著我們會建置雲端控制器,讓業者與服務供應商部署更輕鬆。」

作者簡介

Brandon is responsible for Embedded Computing Design’s IoT Design, Automotive Embedded Systems, Security by Design, and Industrial Embedded Systems brands, where he drives content strategy, positioning, and community engagement. He is also Embedded Computing Design’s IoT Insider columnist, and enjoys covering topics that range from development kits and tools to cyber security and technology business models. Brandon received a BA in English Literature from Arizona State University, where he graduated cum laude.

Profile Photo of Brandon Lewis