The AIDA Cyber-Physical System - T3LAB

The AIDA
Cyber-Physical System

     Bologna, July 12th 2018

Il magazzino automatico

              VIDEO

              2

Il magazzino automatico
              Control
                            GUI

                                                Vision
                                           Deep-learning
                            Director

      Pilot                            Seeker

AGV                           Robot

                        3

HW acceleration with FPGA

                                 SoC
    Sensor

               FPGA         μP

                      RAM

               4

HW acceleration with FPGA

           Image pre-processing

                5

HW acceleration with FPGA
                               Code
                            localization

               6

HW acceleration with FPGA

 Compressione JPEG

 Analisi delle immagini multiscala

 Protocolli di comunicazione
  o FTP

  o GigE Vision

HW acceleration with FPGA

FPGA contro GPU e set di istruzioni SIMD
(MMX, SSE, NEON,…):

+ Permette di agire su più fonti di sovraccarico del
  processore (es. Ethernet)

+ Consumi ridotti

– Adatto solo ad applicazioni con algoritmi ben definiti

– Necessità di specialisti dedicati e tempi di sviluppo
  lunghi

                 … ma la situazione è in continua evoluzione

Il magazzino automatico
              Control
                            GUI

                                                Vision
                                           Deep-learning
                            Director

      Pilot                            Seeker

AGV                           Robot

                        9

Deep learning: Pattern find
                PALLET
AIRPORT

                         HAZ-MAT

Deep learning: Defect detection

            SCRATCHES DETECTION

           EMPTY TRAY DETECTION

Deep learning: OCR

                     AUTOMOTIVE (DPM)

   FOOD & BEVERAGE
                      TEXTILE

Deep learning

Scopo: Sviluppare algoritmi ad uso industriale migliori di tutti
quelli già disponibili

   Robusti alle variazioni e deformazioni

   Robusti al rumore e a sfondi non uniformi

   Disponibilità di un tool che permetta all’utente finale di
    ottimizzare il proprio sistema

   Acquisizione e annotazione di poche immagini per il training

   Nessun parametro da ottimizzare manualmente

Deep learning
              Acquisition and storing
                of sample images

                  Sample image          Improve training   Archimede
                   annotation                data

                     Training

                       Test
      Deep
                                  N
   learning             OK
algorithms                   Y                             DeepGUI

                      Deploy

                    Inference

               Runtime application
                                 14

Deep learning: the processing system
 Hardware:
  PC workstation con Intel Core i7-
   7700K (Quad-core, 4.20Ghz-4.50Ghz
   clock frequency)
  GPU NVIDIA Asus DUAL-GTX1060
   with 6GB of memory

 Software:
  TensorFlow
  Pyton
  Microsoft SQL Server 2012 SP1

 Il runtime di inferenza non ha bisogno di
  tanta potenza
 Serve GPU discreta e si può proporre solo
  su applicazioni high-end

                             15

Deep learning: implementazione in FPGA
Non è che, per applicazioni semplici, si potrebbe usare l’FPGA a bordo delle
nostre camere?
Scopo: verificare i vantaggi dell’accelerazione HW su FPGA di un
algoritmo di OCR simile al deep learning.

Deep learning: implementazione in FPGA
                                        E’ stata effettuata una modellazione
                                        preliminare di occupazione di risorse, dei
                                        requisiti di banda e di potenziali
                                        performance ottenibili su quattro tipi
                                        diversi dispositivi, dotati di un numero
                                        diverso di risorse:
                                              Cyclone V A2,
                                              Cyclone V A5,
                                              ARRIA 10 SX 660,
                                              ARRIA 10 SX 160.

Sono stati misurati i potenziali livelli di performance ottenibili (espressi in
frame/secondo) e di speedup rispetto ad una esecuzione sul solo processore
ARM dual core.

Risultato:                               …ma la situazione è in continua
                                          evoluzione!

Deep learning

+ Insostituibile dove la variabilità e il rumore di fondo
  fanno fallire gli algoritmi tradizionali.

+ Mediante appositi strumenti l’utente finale è in grado di
  gestire il processo in autonomia

– Approccio non adatto a tutte le applicazioni

– Richiede potenza di calcolo non sempre disponibile

– Processo di training più complesso di un normale setup

Thank you!

This presentation contains statements that are neither reported financial results nor other historical information. These statements are forward-
looking statements. These forward-looking statements rely on a number of assumptions and are subject to a number of risks and uncertainties,
many of which are outside the control of Datalogic S.p.A., that could cause actual results to differ materially from those expressed in or implied by
such statements, such as future market conditions, currency fluctuations, the behavior of other market participants and the actions of
governmental and state regulators

© 2013 Datalogic S.p.A. - All rights reserved. • Protected to the fullest extent under U.S. and international laws. • Copying, or altering of this
document is prohibited without express written consent from Datalogic S.p.A. Datalogic and the Datalogic logo are registered trademarks of
Datalogic S.p.A. in many countries, including the U.S.A. and the E.U. All other brand and product names may be trademarks of their respective
owners.
                                                                                                Datalogic S.p.A.
                                                                                                Via Candini, 2
                                                                                                40012 Lippo di Calderara di Reno
                                                                                                Bologna – Italy
                                                                                                Tel. +39 051 3147011
                                                                                                Fax +39 051 3147205
                                                                                                E-mail corporate@datalogic.com

                                                                19

Il magazzino automatico
              Control
                             GUI

                                                 Vision
                                            Deep-learning
                             Director

      Pilot                             Seeker

AGV                            Robot

                        20

OPC-UA
           Standardized data
               model and
             communication
                   layers:
         Flexibility and Security
           in communication

OPC-UA
         Standardized industry
           oriented services
          (alarms, conditions,
          historical access,…)

OPC-UA
         Companion standards
         (Device family standards)
           Interoperability at
            application level

OPC-UA    Each vendor can
         extend the protocol
           and clients can
           browse and use
         additional services:
         Maximum flexibility
         at application level

OPC-UA

Alcune delle caratteristiche implementate:
 Sicurezza: gestione degli utenti
 Lettura: possibilità di lanciare una o più acquisizioni e di
  ricevere i dati letti
 Gestione dei parametri: possibilità di modificare i
  parametri in modo coerente
 Trasmissione immagini: possibilità di visualizzare
  l’ultima immagine acquisita
 Statistiche e indicatori di stato: possibilità di leggere
  una quantità di informazioni oltre i semplici dati letti
 Allarmi: possibilità di ricevere segnalazioni su
  malfunzionamenti

OPC-UA

+ Protocollo estremamente flessibile

+ In forte crescita nell’ambito della supervisione grazie ai
  companion standard

+ Comincia ad essere usato anche in ambito di controllo real-time
  in abbinamento con TSN (Time Sensitive Network)

–   Primo approccio non banale

–   Strumenti poco maturi

Industry 3.0
                    ERP

                    MES

                    SCADA

                    PLCs

                    Sensor and actuators

               27

Industry 4.0

               28

The cyber-physical system

               29