得益于单块电路板，人工智能更容易获取——Convertronic电子杂志—

细节: 类别：设计; 2022年4月25日

人工智能 (AI) 和机器学习 (ML) 技术为各种嵌入式系统带来了巨大的潜在效益。对于许多公司而言，获得必要的投资以掌握这些快速发展领域的先进技术并非易事。然而，一些世界领先的制造商正在开发解决方案，使嵌入式系统开发人员能够比以往任何时候都更轻松、更快速地采用这些创新技术。.

在制造业的主要优势：

人工智能有潜力在众多领域创造价值，但供应链管理和先进制造预计将从中受益最大。麦肯锡的一份报告[1]估计，人工智能可为企业及其客户带来1.2万亿至2万亿美元的价值。在制造业，人工智能最大的潜力在于预测性维护，这得益于传感器数据在识别异常情况和预测电机或流程设备何时需要维护方面的应用，从而预防故障。

其他分析机构的研究也带来了利好消息。埃森哲的一份报告[2]指出，制造业有望成为人工智能革命的赢家之一。得益于人工智能系统对流程的持续学习，维护工程师可以摆脱机器故障和设备停用的困扰，而快速的原型开发和资源分配将缩短产品上市时间并降低成本。所有这些改进预计将使盈利能力提高39%。

埃森哲的另一份报告[3]发现，71%的工业设备行业高管认为人工智能将对其公司产生重大影响，78%的高管表示这些影响对整个行业都至关重要。然而，该报告也指出，工业设备行业在人工智能应用方面尚不成熟。

半导体行业就是一个很好的例子。半导体公司通过高额资本投资，试图缩短产品生命周期，并更加注重创新以保持竞争力。随着每一代芯片尺寸的缩小，研发和制造成本也随之飙升。对于这些公司而言，人工智能和机器学习有望通过提高从研发到芯片设计和制造各个阶段的生产力，从而改变行业的成本结构。基于机器学习的系统还可以经过训练，自动检测和分类晶圆缺陷，从而提高良率。

人工智能应用率低：

工业和物联网 (IoT) 应用通常依赖于单板计算机 (SBC)：Farnell 的一项调查[5]显示，约50%的受访工程师在其设计中使用这些开发板。尽管高性能人工智能是单板计算机 (SBC) 最常见的增强需求之一，但全球只有 20% 的工程师在其 SBC 应用中利用了人工智能和机器学习 (ML)。

这种低采用率的原因尚不清楚，但 Farnell 的研究表明，工程师最关心的问题之一是缩短产品上市时间。尽管单板计算机 (SBC) 易于使用，但开发人员可能将人工智能和机器学习 (ML) 视为障碍，并且实施这些技术会严重影响项目预算和进度。

人工智能实践：

在人工智能的应用中，预测性维护是工业领域的主要应用之一。电子产品分销商 Avnet 帮助制造商和开发人员获得适用于各行各业的物联网 (IoT) 解决方案。例如，Avnet 与一家大型电动汽车制造商合作，识别其生产机器人运行中的异常情况。机器学习技术和统计故障分析使客户能够实时检测异常情况并采取措施防止故障发生。

资产监控也提供了巨大的应用潜力。一家美国土方和建筑设备制造商，此前以按日或按月出租机械设备的方式运营，如今转向智能资产监控，采用产品即服务（PaaS）模式。这使得该公司能够根据使用量出租设备，而无需客户支付整天或整月的费用。

图像处理和人脸识别是人工智能和机器学习应用的经典案例，在制造业中，它们可用于授予员工访问权限、跟踪考勤以及防止欺诈和盗窃。另一个例子是索尼英国技术中心，该中心在一个利用人工智能技术的项目中采用了图像处理技术，以监控工厂车间的产品差异和质量。该中心安装了超过150台树莓派单板计算机和高质量的树莓派摄像头，用于审查电路板上的组件组装等流程，以确保一致性。

其实并没有那么难。

虽然人工智能和机器学习听起来可能令人生畏，但各大平台制造商正在将其付诸实践，并让工程师和嵌入式系统开发人员更容易利用这项技术。单板计算机 (SBC) 的性能日益强大，使得诸如图像分类、目标检测和手势识别等人工智能算法能够借助 TensorFlow Lite [6] 等工具在板载设备上运行。TensorFlow

Lite 针对设备端机器学习进行了优化，因此能够帮助开发者在移动设备、嵌入式设备和物联网设备上运行模型。该工具解决了 SBC 的一些主要局限性：它无需向服务器发送数据，从而消除了延迟；它确保了隐私，因为没有任何个人数据会离开设备；它不需要互联网连接；它提供了较小的模型尺寸；并且最大限度地降低了功耗。TensorFlow

Lite 提供了多个预训练模型，这些模型可能适用于工业或制造应用。这些“配方”极大地简化了人工智能解决方案的部署，使其能够执行诸如图像分类模型（可识别数百个对象，包括人物和活动）、自然语言处理（用于回答问题）和手势识别等功能。许多其他库也支持人工智能处理解决方案的开发，但这虽然降低了所需的专业知识水平，但仍然需要经验丰富的人工智能专家。

通过联网设备访问云服务，无需强大的本地计算能力即可分析数据。云服务有助于人工智能的部署，而且拥有大量经验丰富的开发者。微软

是该领域的领导者，推出了面向物联网的 Azure Sphere 平台，该平台还为物联网终端中使用的嵌入式微控制器提供 Linux 操作系统内核。实际应用案例包括星巴克的一个试点项目，该项目使用 Azure Sphere 和嵌入式微控制器收集其门店咖啡机的遥测数据。该公司希望收集到的数据能够帮助预防潜在问题，避免咖啡机和其他设备需要维修。Azure 微控制器经济高效，提供多种连接选项，例如蜂窝网络和以太网，并支持各种开发板和基础套件。

另一个重要的云平台是亚马逊网络服务 (AWS)。该平台利用边缘计算和高级分析工具，通过捕获和分析工厂数据来提高智能工厂的生产力。它还提供对云端人工智能和机器学习的访问，以提供实时预测分析。

另一种选择是将云服务与 Caffe 和 TensorFlow 等开源环境结合使用。Caffe 是由加州大学伯克利分校博士生杨庆佳 (Yangqing Jia) 开发的知名环境，而 TensorFlow 平台由谷歌大脑团队 (Google Brain Team) 开发，提供丰富的工具、库和社区资源。

云解决方案也提供了一种用户友好的替代方案。ARM 通过其 Mbed 平台实现了与 Watson 的集成，用于物联网设备开发 [7]。IBM 也开发了与 Watson AI 平台直接对接的接口，例如与 Raspberry Pi 等开发板的接口，方便在确定最终架构之前开发 AI 应用原型。Farnell

单板计算机 (SBC)

。其中最受欢迎的是 Raspberry Pi 4。B 型版本配备高达 8 GB 的 DDR4 内存。Arduino Portenta 是一款功能强大的 SBC，其两个非对称核心可以同时执行高级代码，例如协议栈、AI，甚至是 MicroPython 或 JavaScript 等解释型语言。通过将这些功能强大、用户友好的开发板与易于使用的云平台相结合，物联网设备开发人员完全可以在其项目中应用人工智能 (AI) 和机器学习 (ML)。对于制造企业而言，其优势显而易见，并将成为提升产品质量、工厂生产效率等诸多方面的必要手段。

嵌入式人工智能的未来：  
系统性能的提升使得人工智能和机器学习在嵌入式应用中的广泛应用势在必行。尽管这项技术较为复杂，但现有的解决方案已能显著降低集成和实施人工智能和机器学习所需的工作量。鉴于推迟采用这些技术的理由有限，且竞争对手的产品很可能也会提供这些技术的附加优势，因此，将人工智能和机器学习技术应用于现有嵌入式系统具有充分的理由。