8 april 2021
Afgelopen week heb ik mijn Jetson Nano Developer Kit in ontvangst mogen nemen. Dit ontwikkelingsplatform biedt makers zoals ik de mogelijkheid om zelf praktische ervaring op te doen met Artificial Intelligence en deze toe te passen in elektromechanische projecten. Met de Jetson AI module is het me gelukt om binnen een half uur op basis van eigen foto-opnamen dit board te trainen in het onderscheiden van gezichtsmimiek: ‘vrolijk’, ‘verdrietig’, ‘boos’ of ‘neutraal’. Met dit onderscheid kan vervolgens de sfeerverlichting met NeoPixels of Philips HUE aangepast worden of kunnen andere processen aangestuurd worden.
Het Jetson ontwikkelboard is voorzien van een 40pins GPIO poort, welke compatible is met de Raspberry boards. Hierdoor kunnen bestaande interfaces gebruikt worden, maar kan ik zelf ook verder met eigen ontwikkelde prints en schakelingen. Solid state relais gekoppeld aan de GPIO poorten en kunnen lampen schakelen, Zigbee of HUE protocollen aanspreken, maar ook pulsen genereren voor het aansturen van processen.
In de nabije toekomst ga ik AI inzetten bij projecten: voor het in-line herkennen van goede/foute producten, scannen van teksten en codes op stickers en verpakkingen en met live screen-captures verwacht ik microscoopbeelden automatisch te classificeren met image regression. Kortom een nieuwe wereld heeft zich geopend, waardoor ik nu in elektromechanische prototypes ook kunstmatige intelligentie kan integreren.
Zoals hier onder te zien is, werd in mijn thuisopstelling zelfs de voorbijlopende kat als ‘cat’ geclassificeerd. Deze werd automatisch herkend vanuit het ResNet-18 pre-trained netwerk ;-). De PyTorch AI omgeving is ResNet-18 pre-trained en herkent meer dan 1000 objecten, waarmee onder andere dieren, auto’s, mensen, toetsenborden worden onderscheiden. En door self-training kan herkenning van nieuwe objecten worden aangeleerd, waarmee ingespeeld kan worden op specifieke vraagstukken.
