Page 14 - VSDC_JulAug2018_eMag

技术趋势
Technology Trends

降至使用最快光网络的最低值，系统 Latitude: -18.5754 Longitude: 23.4646
仍是非确定的，并且表现出一定程度
的延迟。如果将来自简单摄像机和照
明系统的带时间戳的图像传输到这种
基于云的软件，则可能不需要本地处
理能力，从而减少此类系统的尺寸和
成本。

科学的解决方案
虽然处理捕获图像的结果可能
（还）不会像使用本地、更确定性的
系统那样快，但这样的配置在确定性
Legend:
和延迟效应不太重要的车牌识别、医
Class 1 - Class 2 - Class 3 - Class 4 - Haze Class 5 - Class 6 - Class 7 -
疗和遥感系统中，将是非常有益的。 ALI Flood Background Opaque Clouds: Cloud Shadow: and Thin Clouds: Clear Water: Turbid Water: Dry Land:
Classication
例如，澳大利亚沃尔特和伊莉
莎霍尔学院（Walter and Eliza Hall 图2：利用谷歌地图和覆盖的卫星成像仪，纳米比亚洪水报表为科学家提供了有关该地区洪水不断更新的
信息。
Institute）的研究人员，与澳大利亚
DiUS 公司共同开发基于 AWS 云的 系统。 合了实时和基于云计算益处的解决方
系统，以便在计算机集群上执行图像 使用 Apache Hadoop（由美国 案。“在该场景下，云用于大型计算
分析。 Apache Software Foundation 提供的 和数据汇总职责，而 edge 节点提供
“由于沃尔特和伊莉莎霍尔学院 开源软件框架，用于分布式存储）， 确定性的逐秒分析和决策制定，”视
每周常规会产生 2-3TB 的图像数据， Project Matsu 的开发人员已使用 觉产品经理 Kevin Kleine 说。“这种
因此图像分析显示出了计算需求的瓶 Hadoop 的 MapReduce 编程模型来开 赋能有助于实现可追溯性、流程优化、
颈，”DiUs 公司软件工程师 Pavi De 发 Project Matsu 的“Wheel”。该软件 原始图像和结果汇总、深度神经网络
Alwis 说道，“科学家们也受到计划、 框架对来自 NASA Earth Observing-1 模型培训和系统管理等优势，同时不
共享计算和存储基础架构需求的限 （EO-1）卫星上搭载的高级陆地成像 会牺牲在线‘合格 / 不合格’分析所
制。”为了克服这个问题，威斯康星 仪（ALI）和 Hyperion 高光谱成像仪 需的延迟和确定性。”
大学麦迪逊分校的 Curtis Rueden 所 的高光谱数据进行统计分析。然后显 这样的云系统汇总来自 edge 计
维护的 Fiji/ImageJ 开源图像软件，被 示为报表，即用户界面显示不断更新 算节点的数据，并且可以部署算法，
移植到 AWS 的 Elastic Compute Cloud 的有关洪水的信息（见图 2）。 或将更新处理送回具有紧密反馈回路
（EC2）中，这种计算配置允许用户 的 edge 系统。“在理想系统中，可以
租用“虚拟”计算机来运行其应用程 迈向机器视觉 根据从边缘节点收集的最新数据，以
序。所使用的计算机集群的图像处理 在科学和医疗应用正在利用云计 云中的设定节奏（例如每天）训练神
工作负荷的基准可在网址 http://bit.ly/ 算的处理和存储功能的同时，一些机 经网络。然后可以将一个新模型部署
VSD-DIUS 中找到。 器视觉和图像处理供应商正在提供基 到所有适当的边缘节点，以使用最新
同样，遥感应用正在开展开源项 于云的解决方案，作为其客户应用的 的算法对它们进行更新，实现其逐秒
目。其中之一是 Project Matsu，由美 部分或全部解决方案。 计算和决策职责。”Kleine 说。
国国家航空航天局（NASA）和 Open 例如，美国国家仪器公司认为 NI 已经开发了适合这种架构的
Commons Consortium 公司合作，旨 既包括云计算、又包括公司称之为 几种组件。虽然 NI 通过 LabVIEW 云
在开发用于处理卫星图像的基于云的 “edge”计算的混合方法，是一种结 工具包集成了云服务，尤其是 AWS，

12 Jul/Aug 2018 视觉系统设计 Vision Systems Design China