Почему во встраиваемом зрении объектив важнее ИИ
Искусственный интеллект заметно меняет машинное зрение. Каждую неделю выходят новые нейросети — точнее, быстрее в инференсе, с новыми возможностями для работы прямо на устройстве.
Но когда системы машинного зрения с ИИ внедряют в реальных условиях, один важнейший компонент постоянно недорабатывают и упускают из виду — оптику.
Во встраиваемом и периферийном зрении объектив — не аксессуар, а «привратник» ваших данных. Во многих реальных задачах правильно подобранный объектив даёт гораздо больший прирост производительности системы, чем бесконечная доводка модели ИИ.
Объясним почему.
1. Неприятная правда: для ИИ тоже действует правило «мусор на входе — мусор на выходе»
Представьте три команды разработчиков, которые строят три разные системы машинного зрения. Все используют один и тот же интеллектуальный сенсор Sony IMX500, одну и ту же предобученную модель ИИ и одни и те же встроенные аппаратные ускорители.
Получат ли они одинаковую точность распознавания? Конечно, нет.
Прежде чем модель ИИ рассчитает хотя бы одну рамку объекта или оценку класса, она должна «увидеть» мир через объектив. То, что захватывает объектив, задаёт верхний предел качества данных, доступных ИИ.
Золотое правило науки о данных: «мусор на входе — мусор на выходе». Если на снимке сильная оптическая дисторсия, низкий контраст или смаз от движения, даже самая сложная нейросеть не восстановит недостающие данные. Угол обзора, фокусное расстояние, диафрагма и функция передачи модуляции (MTF, резкость) напрямую влияют на эффективность модели.
2. Один сенсор — три разные картины: ИИ видит то, что позволяет объектив
Чтобы понять, почему оптика определяет результат ИИ, рассмотрим три типичные задачи ИИ на устройстве (Edge AI) с одним и тем же сенсором IMX500.
Робототехника и AMR: нужен обзор пространства
Мобильные роботы (AMR) и автоматические тележки (AGV) работают в помещениях, где обстановка постоянно меняется и её трудно предсказать. Здесь всё решает понимание окружающей обстановки.
- Требование к объективу: без широкоугольного объектива не обойтись. Он даёт максимальный угол обзора, и модель ИИ раньше замечает препятствия по краям кадра и эффективнее строит карту помещения.
- Риск: узкоугольный объектив ограничивает «зрение» робота и создаёт слепые зоны при навигации — как бы быстро IMX500 ни обрабатывал данные.
Умная охрана и мониторинг дорожного движения: больше пикселей на цели
Видеонаблюдение на большом расстоянии во многом опирается на классификацию объектов — например, нужно отличить человека от животного или прочитать номерной знак.
- Требование к объективу: нужен телеобъектив — он сужает угол обзора и концентрирует оптическое разрешение на удалённых целях. Так растёт число пикселей на метр (PPM) на объекте.
- Риск: со стандартным объективом удалённые объекты превращаются в крошечные группы пикселей. Уверенность модели ИИ резко падает: ей не хватает деталей для точного распознавания.
Промышленный контроль: никаких геометрических искажений
В автоматизации производства и контроле качества точность измеряют в миллиметрах или микрометрах.
- Требование к объективу: обязателен объектив со сверхнизкой дисторсией (или телецентрический).
- Риск: стандартные объективы дают бочкообразную или подушкообразную дисторсию и искривляют края изображения. Если оптика искажает форму изделия, ИИ неверно рассчитает размеры — будут ложные срабатывания и ошибочная отбраковка.
3. Почему несъёмная оптика не выдерживает внедрения
У многих готовых ИИ-камер объектив фиксированный, несъёмный. Для оценки на столе, проверки концепции и лабораторных демонстраций это удобно, но при переходе к серийному внедрению такой объектив редко подходит.
Реальные условия не укладываются в одну универсальную спецификацию. Каждый цех, высота потолка в магазине и шасси робота требуют своей оптической конфигурации.
Именно поэтому Arducam сделала ИИ-модуль камеры Arducam IMX500 MIPI со сменными объективами на креплении M12.
Разработчик не привязан к одному углу обзора: экосистема M12 позволяет без труда менять оптику и на этапе прототипа, и в серийном производстве. Будь то широкоугольная навигация по складу или узкоугольное промышленное сканирование, оборудование подстраивается под условия, а не наоборот.
4. Не только ИИ: как строить системы машинного зрения для серийного внедрения
Оборудование для периферийного ИИ становится доступнее и стандартнее, и конкурентное преимущество производителей оборудования (OEM) и системных интеграторов смещается. Чтобы сделать успешный продукт с машинным зрением, уже мало выбрать самую модную нейросеть — нужна продуманная интеграция всей системы.
В системе машинного зрения для серийного внедрения слаженно работать должны:
- Сенсор: встроенная обработка Sony IMX500 снижает нагрузку на ЦП хоста.
- Интерфейс: MIPI CSI-2 с высокой пропускной способностью и низкой задержкой легко интегрируется с Raspberry Pi, Jetson или собственными SoC.
- Оптика: объектив M12 точно подобран под физические условия конкретной установки.
Следующий прорыв в вашем проекте компьютерного зрения может прийти не из новой научной статьи по ИИ и не из большего датасета, а из правильно выбранного объектива.
От демонстрации к внедрению
Sony IMX500 открыл для периферийного ИИ большие возможности: инференс машинного обучения выполняется прямо на сенсоре. Но чтобы раскрыть его коммерческий потенциал, сначала нужно получить правильное изображение.
Сменная оптика M12, интерфейс MIPI с низкой задержкой и промышленное исполнение — ИИ-камера Arducam IMX500 MIPI создана, чтобы помочь перейти от лабораторных демонстраций к надёжной работе в реальных условиях.
Ведь в конечном счёте ИИ хорош ровно настолько, насколько хорошо его видит объектив.
Чтобы подобрать объектив M12 для вашего проекта, напишите нам на quote@arducam-russia.ru.
