TagML
Система машинного навчання з мінімальною затримкою, яка повністю виконується на UWB-BLE пристроях Leantegra або на промислових засобах захисту (ЗІЗ)
TensorFlow Lite
Інтегровано та кастомізовано біблиотеки TensorFlow Lite на UWB-BLE пристрої Leantegra для машинного навчання на самих пристроях. Без участі сервера.
Велика екосистема ПО TensorFlow та партнерського інструментарію, такого як Edge Impulse SaaS, стала доступною на маленьких та недорогих пристроях.
TensorFlow Lite підтримує широкий функціонал по машинному навчанню та нейромережам, таких як Recurrent Neural Networks (RNN) і LSTM (Long Short-term Memory Cells), але при цьому з набагато меньшим споживанням пам’яти та апаратних ресурсів.
Задачі по побудові, тренуванню, запуску та виконанню ML моделей на пристроях Leantegra (або сторонніх пристроях) стали більш стандартними та організованими порівняно з розробкою алгоритмів розпізнавання для кожного проекту або кожної вимоги окремо.
Підтримувані апаратні платформи (чіпсети) прошивкою TagML:
Nordic nRF52 і nRF91: nRF52832, nRF52833, nRF52840, nRF5340, nRF9160
STM32: STM32H7 (Cortex-M7), STM32F4
Розпізнавання Активностей
Розпізнавання простих рухів або більш складних активностей у людей або обладнання (машина, кран) викорустовуючи акселерометр та барометр на пристроях.
Можливість запуску нотификацій на пристроях (наприклад вібро) или візуализації на карті веб порталу Leantegra згідно розпізнаним активностям та рухам:
ходьба, біг, лазання, падіння, на місці, водіння вантажівки або навантажувача і.т.д.
Приклад екрану – використання Edge Impulse в якості головного інструмента навчання ML моделі для TensorFlow Lite:
Смарт Шолом
Відстежування ЗІЗ (Засобів Індивідуального Захисту) це важливий сценарій для промислової безпеки. Визначення присутності захисного шолома або жилета може бути реалізовано за допомогою вбудованих BLE-UWB пристроїв або за домогою комп’ютерного зору.
Варіант про вбудовані модулі є більш стійким до перешкод, відсутності світла, присутності пилу або туману, а також дозволяє робити відстеження у віддалених місцях де взагалі немає мережі – наприклад: немає Ethernet або Wi-Fi.
Відстежуючі пристрої можуть кріпитися ззовні або всередині захисного шолома.
Головна частина алгоритму по відстеженню полягає у використанні натренированої нейромережі для класификації шаблонів руху захисного шолому.
Детектор Падіння
Точне розпізнавання падіння (fall detection) до сих пір є складною задачею, враховуючи немалу долю помилкових спрацювань.
Тренування ML моделей для розпізнавання падіння повинно включати багато сценаріїв з більш детальними проектными вимогами – наприклад: падіння зі сходів.
Важливо мати можливість швидкого налаштування детектора падіння під вимоги проекта, замість наявності одного універсального пристрою.
В додаток до події падіння важливо також включити інформацию про місцеположення для зменьшення часу на пошук місця падіння. Саме тут допомагає функціонал RTLS, який є доступним у всіх пристроях Leantegra.
Класифікация Датчиків
Промисловий RTLS може бути розширеним додатковими даними від датчиків, таких яу СО або метан або дані про вологість, для надання більш точних та контекстних даних про обладнання, персонал або робоче середовище.
Данные от датчиков классифицируются напрямую на UWB-BLE устройствах используя TagML ПО, без участия сервера.
Это позволяет запускать своевременные нотификации и сценарии превентивной реакции до самого факта происшествия.