Banana Pi BPI-AI2N apporte 15 TOPS à l’IA Vision à la périphérie

Le calcul IA à la périphérie se rapproche des tâches de vision industrielle

Banana Pi a introduit le BPI-AI2N, un module compact et une plateforme de carte porteuse visant des charges de travail d’IA vision en temps réel à la périphérie. Le rapport original de Hackster.io met en avant 15 TOPS de performance IA pour des applications basées sur des images, une spécification qui place la carte dans une catégorie de plus en plus pertinente pour l’automatisation industrielle plutôt que seulement pour le développement de makers ou embarqué. Une couverture technique supplémentaire de CNX Software indique que la plateforme est construite autour du processeur Renesas RZ/V2N, combinant une architecture quad-core Arm Cortex-A55 avec l’accélérateur DRP-AI3 de l’entreprise, évalué à 15 TOPS en mode sparse. Pour les utilisateurs de fabrication, cette combinaison compte moins comme une référence principale et plus comme un indicateur que des tâches d’inférence telles que la détection de défauts, la vérification de la présence de pièces, la localisation de joints et la lecture de codes peuvent être exécutées localement sans envoyer de flux d’images à un service cloud.

Le profil matériel suggère également une orientation pratique vers l’intégration de la vision machine. Selon la couverture disponible, le BPI-AI2N est proposé comme un système sur module avec une carte porteuse et inclut des interfaces de caméra et d’expansion destinées aux déploiements de vision embarquée. Dans les environnements de production, le traitement IA local peut réduire la latence et simplifier l’architecture réseau, surtout lorsque plusieurs caméras sont utilisées près des dispositifs de soudage, des convoyeurs ou des enveloppes de travail robotiques. Cela est pertinent pour les fabricants cherchant à ajouter une inspection IA aux lignes existantes construites autour de robots d’ABB, KUKA, FANUC, Yaskawa, Universal Robots ou Doosan, où les sous-systèmes de vision doivent souvent fonctionner de manière déterministe aux côtés de la logique PLC, des contrôleurs de robots et des dispositifs de terrain. La carte n’est pas un contrôleur de soudage, mais elle indique une tendance plus large : le matériel IA à la périphérie à coût réduit devient suffisamment capable pour soutenir des fonctions de surveillance et d’inspection de qualité de niveau industriel qui étaient auparavant réservées à des IPC haut de gamme ou à des systèmes basés sur GPU.

Pourquoi 15 TOPS est important dans l’inspection d’usine

Dans les environnements industriels, les chiffres bruts de TOPS ne se traduisent pas automatiquement en performance utilisable. Le type de modèle, la résolution d’image, la bande passante mémoire, la conception thermique et les outils logiciels influencent tous le débit réel. Néanmoins, un module de classe 15-TOPS peut être significatif pour les fabricants qui souhaitent exécuter des réseaux de neurones convolutionnels ou des modèles de vision basés sur des transformateurs directement sur une plateforme embarquée compacte. Les cas d’utilisation typiques incluent les vérifications de présence de cordons de soudure, la détection d’éclaboussures, la confirmation d’occupation de dispositifs, l’OCR pour la traçabilité des pièces, la lecture de codes-barres ou de Data Matrix, et la vérification pré-processus avant qu’un arc ne soit déclenché. Dans ces scénarios, la valeur réside dans l’exécution de l’inférence près du capteur, réduisant les délais aller-retour et évitant la surcharge de bande passante de diffusion de vidéos haute résolution vers un serveur centralisé.

Ce modèle de traitement local s’aligne également sur les exigences de cybersécurité et de gouvernance des données au niveau de l’usine. De nombreux sites de fabrication automobile et de métallurgie préfèrent garder les données d’image sur site, en particulier lorsque des recettes de production, des codes de fournisseurs ou des géométries propriétaires sont visibles dans le cadre. Une carte IA à la périphérie compacte peut donc compléter les architectures industrielles existantes plutôt que de les perturber. Elle peut se trouver à côté d’un PLC, d’un PC industriel ou d’un cabinet de robot et échanger des signaux d’état avec des contrôles de niveau supérieur. Pour les déploiements en Europe, les intégrateurs doivent encore évaluer la conformité au niveau de la machine, y compris la sécurité électrique et les exigences EMC sous les normes IEC et EN pertinentes, tandis que l’intégration fonctionnelle autour des robots et des applications collaboratives doit prendre en compte l’ISO 10218 pour la sécurité des robots industriels et l’ISO/TS 15066 lorsque des cobots sont impliqués. Les fonctions de qualité basées sur la vision peuvent également soutenir des cadres de gestion de la qualité plus larges, mais elles ne remplacent pas le contrôle de processus validé pour le soudage lui-même.

Ce que cela signifie pour les intégrateurs de cellules de soudage

Pour les constructeurs de cellules de soudage robotiques, l’aspect le plus intéressant du BPI-AI2N n’est pas la carte seule mais l’option de conception qu’elle représente. Les cellules de soudage combinent de plus en plus le suivi des processus d’arc, l’identification des pièces, la confirmation des dispositifs et l’inspection post-soudage dans un seul boîtier. Un module de vision IA compact peut être utilisé comme un sous-système dédié pour des vérifications sans contact avant, pendant ou après le soudage. Par exemple, un intégrateur pourrait déployer une caméra pour vérifier l’orientation des composants avant qu’un robot FANUC ou Yaskawa ne commence un cycle, une autre pour confirmer l’état des consommables ou des gabarits, et une troisième pour inspecter les zones de soudure terminées pour des défauts grossiers ou des caractéristiques manquantes. Dans les cellules de soudage cobot utilisant des plateformes Universal Robots ou Doosan, la vision IA embarquée peut également aider à simplifier les flux de travail de chargement assistés par l’opérateur en vérifiant si une pièce est correctement positionnée avant le début de la séquence collaborative.

Cependant, il existe des contraintes d’ingénierie. Les environnements de soudage sont difficiles pour l’optique et l’électronique en raison des éclairs d’arc, des fumées, de la chaleur, des vibrations et de la poussière métallique. Tout module IA à la périphérie doit être correctement logé, avec un éclairage contrôlé, une protection des lentilles et un déclenchement stable. Les intégrateurs doivent également valider si le budget de calcul est suffisant pour les modèles choisis au temps de cycle requis. Une carte évaluée à 15 TOPS peut être adéquate pour la classification binaire ou la détection d’objets, mais des modèles de segmentation plus exigeants pour l’analyse des joints de soudure peuvent encore nécessiter une optimisation, une quantification ou un élagage de modèle. L’interface est une autre considération : le nœud de vision doit échanger des données fiables de réussite/échec ou de coordonnées avec les systèmes de robot et de sécurité sans créer de comportements non déterministes. En pratique, cela signifie une architecture soignée autour de l’Ethernet industriel, des E/S numériques et de la gestion de l’état de la machine, plutôt que de traiter l’IA comme un ajout autonome.

Implications plus larges pour la traçabilité et l’automatisation flexible

Le lancement reflète également un changement plus large dans l’approvisionnement en automatisation. Les fabricants recherchent des sous-systèmes modulaires qui peuvent être ajoutés de manière incrémentale aux actifs existants plutôt que de remplacer des lignes complètes. Un module IA vision basé sur une plateforme Renesas peut être attrayant là où l’espace au sol, la consommation d’énergie et le coût sont contraints, en particulier pour les PME qui souhaitent améliorer la traçabilité et le contrôle de qualité sans adopter une pile de vision machine basée sur serveur complète. Dans les opérations de soudage, la traçabilité devient plus granulaire : les utilisateurs souhaitent de plus en plus des enregistrements liés aux images montrant l’identité des pièces, l’état des dispositifs et le statut de l’inspection finale liés à chaque lot ou numéro de série. L’IA à la périphérie peut soutenir cette exigence en classifiant les images localement et en transmettant des résultats structurés dans des bases de données MES ou de qualité.

Pour les intégrateurs de systèmes et les responsables de production, le message clé est que le matériel de vision IA embarqué devient plus accessible et plus pertinent pour les tâches pratiques en usine. Le BPI-AI2N nécessitera encore une maturité logicielle, un durcissement environnemental et une validation spécifique à l’application avant de pouvoir être considéré pour un usage critique en production, mais sa spécification indique une direction de marché à surveiller. Les entreprises évaluant des mises à niveau vers des cellules de soudage robotiques ou des cellules de soudage cobot peuvent maintenant avoir une autre classe de matériel à considérer entre des caméras intelligentes simples et des PC industriels complets.

Les fabricants prévoyant de nouvelles cellules de soudage ou des rénovations incluant la vision IA pour le contrôle de qualité, la vérification des pièces ou la traçabilité peuvent demander un devis pour évaluer la bonne architecture, de l’emplacement de la caméra et de la conception de l’enveloppe à l’intégration robotique et à la conformité aux normes.