Garantía Festo Didactic 24 meses → www.festo-didactic.com 136 137 Aprendizaje automático en el procesamiento de imágenes El kit MPS IoT Machine Learning trata del aprendizaje automático basado en redes neuronales (“Deep Learning”), una de las subdisciplinas más destacadas de la inteligencia artificial. El hardware incluye un ordenador de una placa equipado con una cámara HD para captar imágenes que posteriormente son analizadas por una red neuronal. Como software hay disponible un gran número de programas Python. Las unidades frontales de casi todas las herramientas están basadas en la web, de modo que es posible un acceso mediante aparatos móviles como smartphones, tabletas, ordenadores portátiles, etc. Gracias al punto de acceso Wi-Fi, el kit MPS IoT Aprendizaje automático ofrece un acceso remoto inalámbrico. El sistema se entrega listo para usar para que los estudiantes puedan comenzar de inmediato sus primeros experimentos. El objetivo del kit MPS IoT Aprendizaje automático es enseñar de forma sencilla a los estudiantes los temas básicos del procesamiento de imágenes con aprendizaje automático. No solo se discuten los dos métodos de aprendizaje automático, el supervisado y el no supervisado, sino que también se presentan y discuten las aplicaciones más importantes en el campo de la visión artificial, es decir, la clasificación de imágenes, la localización de objetos y el reconocimiento de objetos múltiples, a través de una serie de experimentos prácticos. Los alumnos pueden distinguir manzanas de limones o herramientas de zapatos, etc. Un ejercicio posible para la integración en una fábrica para la enseñanza es la comprobación del nivel de llenado de planos inclinados con piezas utilizando el procedimiento de aprendizaje automático. Por lo demás, puede detectarse y localizarse toda clase de objetos. Además, se emplean arquitecturas de red neuronal de alto rendimiento como las redes neuronales convolucionales. La inteligencia artificial en aplicación Kit MPS IoT Machine Learning Temas de interés y tendencias I4.0 > La inteligencia artificial en aplicación Todo el software está bien documentado y permite a los alumnos realizar sus propios experimentos de visión artificial fuera de la fábrica para la enseñanza. No se requieren conocimientos previos de programación. El material para la enseñanza práctica motiva a los alumnos a transferir sus conocimientos a nuevas aplicaciones. Contenidos didácticos – Inteligencia artificial/aprendizaje automático en el procesamiento de imágenes – Aplicación práctica de redes neuronales convolucionales/Deep Learning – Aprendizaje automático supervisado y no supervisado – Computer Vision (clasificación de imágenes, localización de objetos, detección de objetos múltiples) – Reequipamiento IoT de sistemas antiguos Ventajas – El kit MPS IoT Aprendizaje automático se puede utilizar de forma independiente o integrado en fábricas para la enseñanza existentes – Los estudiantes tienen la posibilidad de aplicar los algoritmos a nuevos objetos e imágenes – Enfoque en la aplicación práctica de la inteligencia artificial/el aprendizaje automático para resolver retos del mundo real Componentes esenciales – Ordenador de placa única con cámara HD – Cable Ethernet – Cable HDMI – Conexión eléctrica Especificaciones técnicas – Alimentación eléctrica: 110/230 V CA/1 A – Dimensiones (An x L x Al): aprox. 200 x 200 x 600 mm Kit MPS IoT Machine Learning 8158958 Kit MPS IoT Machine Learning (8 equipos por clase) 8158957 IIoT y Retrofitting IoT Gateway Temas de interés y tendencias I4.0 > La inteligencia artificial en aplicación IoT Gateway 8172682 La conexión de componentes del nivel de producción con servidores del nivel de TI de una empresa, o bien con la nube, ofrece múltiples opciones de uso nuevas, como la supervisión de la producción a través del smartphone o de Internet. En estos casos, las puertas de enlace adoptan una función importante en la comunicación interoperable mediante protocolos de intercambio de datos estandarizados y, además, ofrecen funciones frecuentes para la gestión de datos descentralizada. La IoT gateway conecta equipos del nivel de producción con la Internet de las cosas industrial (IIoT, Industrial Internet of Things). Dispone de una conexión de red para el lado del equipo, otra conexión para el lado de la nube y un interruptor de hardware para controlar los permisos de lectura y escritura. La puerta de enlace ofrece una interfaz web con opciones de configuración, entre las que se incluyen: – Configuración de red, incl. cliente DHCP – Cliente NTP para sincronización de tiempo – Gestión de dispositivos – Ajustes de MQTT Broker La puerta de enlace puede encontrar automáticamente en la red los tipos de equipo conocidos, como la caja de medición de energía Festo Didactic. La información para el acoplamiento de los equipos está almacenada en un archivo de signatura. Tras el acoplamiento de los equipos, denominado Onboarding, los datos se consultarán cíclicamente de manera automática y se transmitirán a un MQTT Broker. Se pueden crear e importar archivos de signatura propios para poder encontrar, acoplar y seleccionar tipos de equipo propios mediante OPC UA. El entorno de desarrollo gráfico Node-RED, instalado en la puerta de enlace, también permite las denominadas funcionalidades Edge-Computing, esto es, el procesamiento de datos en el límite entre la red local y la nube. Mediante elementos de biblioteca se pueden integrar múltiples fuentes de señales, por ejemplo, mediante protocolo OPC UA, Modbus TCP o REST API, también se pueden procesar previamente señales mediante bloques funcionales o código JavaScript, ajustar tableros de mandos para la visualización, así como emitir señales en servicios de servidor tales como MQTT y MySQL, o servicios en la nube tales como Siemens MindSphere o Microsoft Azure. Los accesorios suministrados permiten instalar y conectar la puerta de enlace, por ejemplo, en CP Lab o un NetLab EduTrainer. Suministro – IoT gateway – Cable de conexión de 24 V CC en conector de seguridad de 4 mm – 2 cables de red – Material de fijación – Materiales didácticos con escenario de ejemplo
RkJQdWJsaXNoZXIy MzE0OTAwNw==