Как выбрать промышленный компьютер для машинного зрения: от производственной задачи до конфигурации

Искусственный интеллект всё активнее применяется на промышленных предприятиях: от автоматического обнаружения дефектов продукции до анализа видеопотоков и контроля технологических операций. Для внедрения таких решений недостаточно просто установить нейросетевую модель. Необходимо оборудование, способное обрабатывать данные с требуемой скоростью, взаимодействовать с производственными системами и стабильно работать в условиях промышленной эксплуатации. Ошибка на этапе подбора приводит к тому, что модель, показавшая 98% точности в лаборатории, на линии выдаёт задержки, пропускает кадры или останавливается из-за перегрева.

Для этих задач используются промышленные компьютеры со специализированными AI-ускорителями. Они позволяют выполнять нейросетевые вычисления непосредственно на производственном объекте, без обязательной передачи данных в облако.

Разберём, чем такие устройства отличаются от обычных промышленных компьютеров, какие характеристики действительно важны и как подобрать конфигурацию под конкретный производственный процесс на примере линейки Билтех.

Чем промышленный компьютер с AI-вычислителем отличается от обычного

Традиционный промышленный компьютер рассчитан на сбор данных, управление оборудованием, визуализацию и обмен информацией с АСУ ТП.

Он может выполнять и задачи искусственного интеллекта. Например, запускать относительно небольшие нейросети на центральном процессоре (CPU). Однако при увеличении сложности модели, разрешения изображений или количества обрабатываемых видеопотоков вычислительных ресурсов CPU может оказаться недостаточно.

Промышленные компьютеры с AI-вычислителем решают эту проблему за счет специализированных аппаратных средств:

• CPU (центральный процессор) — операционная система, прикладная логика, работа с периферией, общие вычисления.
• NPU (нейропроцессор) — эффективное выполнение поддерживаемых нейросетевых операций с низким энергопотреблением.
• GPU (графический процессор) — массивно-параллельные вычисления, обработка изображений и широкий спектр нейросетевых моделей.

Наличие NPU или GPU позволяет перенести на специализированный вычислитель часть операций, которые в обычной системе выполнялись бы центральным процессором.

Например, при контроле качества на конвейере камера передаёт изображение компьютеру. Нейросетевая модель анализирует его и определяет наличие дефекта, после чего результат поступает в систему автоматизации. При этом центральный процессор продолжает обслуживать периферийное оборудование, обеспечивать обмен данными и выполнять другие программные задачи.

Принципиальное отличие — не в самой возможности «запустить ИИ», а в наличии аппаратных ресурсов для предсказуемо быстрого выполнения инференса при одновременной работе остальной системы.

Важно: AI-ускоритель не гарантирует высокую скорость для любой модели. Если отдельные операции нейросети не поддерживаются выбранным ускорителем, производительность может снижаться, а в некоторых случаях потребуется адаптация модели или программного обеспечения

Что даёт Edge AI производственному предприятию

Основное преимущество промышленных AI-компьютеров — возможность организовать обработку информации непосредственно рядом с технологическим оборудованием. Такой подход часто называют Edge AI, или периферийными AI-вычислениями.

Это особенно важно для предприятий, где требуется непрерывно анализировать изображения и видеопотоки, а результаты использовать в реальном времени.

• Снижение задержки. Результат доступен без обращения к облаку, что критично для синхронизации с приводом или отбраковочным механизмом.
• Разгрузка сети. Передаются не видеопотоки, а метаданные: события, координаты дефектов, счётчики.
• Автономность. При правильно спроектированной локальной системе анализ продолжается при потере внешнего канала связи.
• Рациональное распределение ресурсов. Ускоритель берёт на себя инференс, CPU обслуживает оборудование и прикладную логику.
• Интеграция без «сноса» АСУ ТП. AI-компьютер может работать как дополнительный узел, не требуя полной замены действующей автоматизации.

Таким образом, внедрение искусственного интеллекта не обязательно предполагает масштабную модернизацию производства. Во многих случаях достаточно дополнить действующую систему камерами, вычислительным оборудованием и необходимым программным обеспечением.

С чего начинается выбор: пять уровней требований

Выбор оборудования стоит начинать не с производительности процессора и не с количества TOPS, а с описания конкретной задачи.

Например, предприятиям пищевой промышленности может требоваться проверка наличия и правильности этикеток. Машиностроительному производству — обнаружение дефектов поверхностей деталей. Логистическому комплексу — распознавание маркировки и отслеживание перемещения грузов.

Во всех трёх случаях применяется компьютерное зрение, однако требования к аппаратной платформе могут существенно различаться.

Уровень 1. Вычислительная нагрузка: не TOPS, а пропускная способность пайплайна

Нагрузку определяют:

• тип и сложность нейросетевой модели;
• разрешение изображения и частота кадров;
• количество одновременно обрабатываемых потоков;
• допустимая end-to-end задержка (а не только время инференса).

Ключевая мысль: TOPS — это теоретический пик, который почти никогда не достигается на реальной модели. Реальная производительность ограничена пропускной способностью памяти, поддержкой операторов, эффективностью препроцессинга и декодирования видео. Поэтому корректный вопрос звучит не «сколько TOPS?», а «с какой скоростью конкретная модель обработает конкретный поток на этом железе?».

Практическое правило: если система должна анализировать каждый кадр с камеры 25 fps, производительность нужно проверять не для «инференса в идеальных условиях», а для всей цепочки: захват → декодирование → препроцессинг → инференс → постпроцессинг → передача результата.

Уровень 2. Программная совместимость и поддержка операторов

Архитектуры AI-платформ не взаимозаменяемы:

• Intel (x86) — OpenVINO, широкий стек готового промышленного ПО.
• Rockchip (ARM) — инструменты конвертации в RKNN; критична поддержка операторов конкретной модели.
• NVIDIA — CUDA и TensorRT, зрелая экосистема для GPU-инференса.

Оборудование подбирается под уже разработанное ПО или под возможность переноса модели. Если модель содержит редкие операторы, пилотный тест на целевом железе обязателен — никакие заверения о «поддержке фреймворка» не заменяют проверку конкретного графа.

Уровень 3. Подключение оборудования: интерфейсы, питание камер, пропускная способность

Наличие порта ещё не означает пригодность для задачи. Для машинного зрения важны:

• Ethernet. При подключении нескольких камер высокого разрешения необходимо учитывать суммарную пропускную способность видеопотоков. В зависимости от формата передачи данных и количества камер гигабитного Ethernet может оказаться недостаточно.
• PoE (Power over Ethernet). Определяет, можно ли запитать камеру по тому же кабелю, что и данные. Отсутствие PoE-портов требует отдельного коммутатора и усложняет монтаж.
• USB. Версия интерфейса имеет значение: высокоскоростная USB 3.x-камера, подключённая к порту USB 2.0, будет работать на пониженной скорости. Это ограничение должно учитываться при выборе камеры, а не после покупки компьютера.
• RS-232 / RS-485. Для связи с контроллерами и старым оборудованием; поддержка конкретного протокола зависит от ПО, а не только от «наличия порта».
• HDMI / DisplayPort — для локальной визуализации.

Уровень 4. Условия эксплуатации и надёжность

Вычислительная мощность не компенсирует неподходящее исполнение. Учитываются:

• диапазон температур и наличие активного/пассивного охлаждения;
• пыль, влага, агрессивные среды (IP-защита);
• вибрации и способ монтажа;
• доступное пространство в шкафу;
• ресурс накопителя. Если система сохраняет изображения брака или логи, обычный потребительский SSD деградирует быстрее, чем промышленный с повышенным TBW.

Отдельно стоит вопрос гальванической изоляции интерфейсов. В средах с высоким уровнем помех (например, рядом с частотными приводами) неизолированные порты могут быть источником отказов. Для некоторых платформ на RK3588 существуют исполнения с изоляцией 4 кВ, и это следует уточнять у поставщика, если производство насыщено мощным электрооборудованием.

Уровень 5. Интеграция и совокупная стоимость владения (ТСО)

AI-компьютер должен встраиваться в существующую инфраструктуру: поддерживать нужные промышленные протоколы (OPC UA, Modbus TCP, PROFINET и т.д.), иметь драйверы под используемую ОС и не требовать переписывания прикладного ПО. Совокупная стоимость владения включает не только цену устройства, но и затраты на адаптацию ПО, обучение персонала и простои.

Три платформы Билтех для разных производственных задач

Линейка промышленных AI-компьютеров Билтех включает модели БТ-41-НМК, БТ-40-НМК и БТ-42-НМК.

Они различаются аппаратной архитектурой, типом ускорения нейросетевых вычислений, набором интерфейсов и конструктивным исполнением. Поэтому рассматривать их стоит не просто как устройства разной мощности, а как платформы для разных сценариев применения.

БТ-41-НМК — компактное ARM/NPU-решение для локальных задач

Платформа: Rockchip RK3588, встроенный NPU до 6 TOPS (INT8).

Ключевые особенности: два Ethernet, RS-232, HDMI, LVDS, пассивное охлаждение, диапазон −20…+70 °C, IP40. Базовая конфигурация, по данным производителя, включает 2 ГБ ОЗУ и SSD 16 ГБ — этого достаточно для лёгких задач, но для более ресурсоёмких нейросетевых моделей может потребоваться увеличение объёма оперативной памяти и накопителя.

Когда подходит: одна камера, умеренная частота кадров, модель, полностью поддерживаемая NPU; установка в защищённом шкафу; требование компактности и низкого энергопотребления.

Ограничения: ARM-архитектура требует проверки совместимости ПО; для влажной мойки IP40 недостаточен без дополнительного шкафа.

БТ-40-НМК — сочетание AI-вычислений и универсальности x86

Платформа: Intel Core Ultra 5 125U с Intel AI Boost (NPU до 11 TOPS), 16 ГБ DDR5, SSD 512 ГБ.

Ключевые особенности: два Ethernet, восемь USB 2.0, два RS-232, HDMI, DisplayPort; пассивное охлаждение, −20…+60 °C, IP40.

Когда подходит: предприятие уже использует x86-совместимое ПО, и переход на другую архитектуру нежелателен; задача включает не только инференс, но и работу с существующими приложениями; требуется минимизировать объём адаптации.

Важное ограничение: наличие восьми портов USB 2.0 означает, что высокоскоростные USB 3.x-камеры не смогут работать на максимальной скорости. Если планируется USB-камера с высоким разрешением и частотой кадров, это нужно учитывать на этапе выбора камеры, а не после.

БТ-40-НМК целесообразно рассматривать там, где помимо нейросетевых вычислений важны универсальность вычислительной платформы и совместимость с действующими программными решениями предприятия.

БТ-42-НМК — GPU-платформа для ресурсоёмкой видеоаналитики

Платформа: ARM Cortex-A78AE + NVIDIA Ampere GPU (1024 CUDA-ядра, 32 Tensor-ядра), 16 ГБ LPDDR5, SSD 512 ГБ, совместимость с NVIDIA JetPack 6.2 (Ubuntu 22.04).

Ключевые особенности: четыре USB 3.0, один Ethernet, шесть RS-232; активное охлаждение; −20…+60 °C, IP40.

Когда подходит: несколько видеопотоков одновременно, сложные модели, программный стек построен на CUDA/TensorRT. GPU обеспечивает гибкость для моделей, которые плохо ложатся на NPU.

Критическое условие: активное охлаждение требует притока воздуха. Размещение в герметичном шкафу без вентиляции приведет к троттлингу и снижению производительности. Проектирование системы охлаждения — часть выбора этой платформы, а не «деталь после покупки».

Выбор этой модели наиболее обоснован в проектах, где требуется GPU-ускорение и программная совместимость с экосистемой NVIDIA. При этом фактическая производительность для определённого количества камер и конкретной нейросети зависит от особенностей программного решения и условий обработки данных.

Сравнение промышленных AI-компьютеров Билтех

Важно: сравнивать платформы по одним лишь TOPS некорректно. NPU и GPU имеют разные архитектуры, разные наборы поддерживаемых операторов и разную эффективность на конкретных моделях. Реальная производительность определяется совокупностью памяти, ПО и thermal-дизайна.

Три сценария: как требование превращается в конфигурацию

Рассмотри несколько типовых ситуаций, в которых требования производства позволяют определить наиболее подходящую аппаратную платформу.

Сценарий 1. Контроль упаковки на пищевом производстве (одна камера, локальная обработка)

Задача: проверять наличие и правильность этикетки, результат передавать в контроллер линии.

Стартовая платформа: БТ-41-НМК. NPU достаточен для лёгкой модели классификации/детекции, пассивное охлаждение удобно для шкафа.

Что проверить до заказа:

• поддержку операторов выбранной модели в RKNN;
• достаточность базовой конфигурации ОЗУ/SSD или необходимость увеличения;
• соответствие IP40 условиям участка (при влажной мойке — отдельный шкаф или более защищённое исполнение).

Сценарий 2. Модернизация существующей линии машиностроительного предприятия (x86-инфраструктура)

Задача: дополнить действующую АСУ ТП визуальным контролем деталей, сохранив существующее ПО.

Стартовая платформа: БТ-40-НМК. x86-совместимость сокращает адаптацию, встроенный NPU разгружает CPU.

Что проверить до заказа:

• достаточно ли производительности NPU для сложности модели и разрешения камеры;
• подходят ли USB 2.0 для имеющихся камер (для высокоскоростных USB 3.x-камер это ограничение);
• соответствие температуры в шкафу диапазону −20…+60 °C с учётом нагрева от соседнего оборудования.

Сценарий 3. Видеоаналитика на нескольких участках логистического комплекса

Задача: анализировать несколько видеопотоков, распознавать объекты, передавать данные в систему управления складом.

Стартовая платформа: БТ-42-НМК. GPU и экосистема NVIDIA (CUDA/TensorRT) дают гибкость для многопоточной обработки и сложных моделей.

Что проверить до заказа:

• совокупную пропускную способность сети: один Ethernet-порт может стать узким местом при нескольких 4K-потоках;
• тепловой режим: активное охлаждение требует воздухообмена, особенно в закрытом шкафу;
• синхронизацию камер и допустимую end-to-end задержку.

Чек-лист перед окончательным выбором

После предварительного определения подходящей платформы необходимо сопоставить её характеристики с требованиями проекта. Пройдите по пунктам — это сэкономит недели пилотного проекта.

• Нейросетевая модель. Поддерживается ли конкретная нейросеть выбранным ускорителем и стеком (RKNN / OpenVINO / TensorRT)? Какие операторы уходят на CPU?
• Производительность. Сколько потоков, какое разрешение, какая частота кадров и допустимая задержка на всём пайплайне, а не только на инференсе?
• Оперативная память. Хватает ли ОЗУ для весов модели, буферов и сопутствующих приложений? Достаточна ли пропускная способность памяти?
• Подключение оборудования. Подходят ли интерфейсы для камер по скорости и типу, контроллеров и другого оборудования? Нужен ли PoE? Хватает ли пропускной способности Ethernet?
• Накопитель. Достаточен ли ресурс SSD (TBW) для записи изображений и логов в течение срока службы линии?
• Условия эксплуатации. Соответствует ли устройство требованиям по температуре, питанию, монтажу и охлаждению?
• Интеграция. Можно ли встроить решение в существующую инфраструктуру без значительной переделки программного обеспечения?

Отдельно стоит учитывать, что наличие AI-ускорителя не означает наличия готовой системы машинного зрения. Для работы потребуются подходящая нейросетевая модель, программное обеспечение и, в зависимости от задачи, камеры, освещение и средства интеграции.

Окончательная конфигурация должна учитывать совокупность этих требований, а не только максимальную производительность аппаратного ускорителя.

Ответы на часто задаваемые вопросы

Чем NPU отличается от GPU для машинного зрения?

NPU оптимизирован для эффективного выполнения поддерживаемых нейросетевых операций при низком энергопотреблении, но требует совместимости компилятора с моделью. GPU обеспечивает более широкую гибкость и параллелизм, но, как правило, при более высоком энергопотреблении и тепловыделении. Для лёгких моделей на ARM/NPU важна проверка поддержки операторов; для сложных многопоточных задач GPU часто предпочтительнее.

Сколько камер выдержит промышленный AI-компьютер?

Однозначного ответа нет: всё зависит от разрешения, частоты кадров, сложности модели и пропускной способности интерфейсов. Компьютер с высоким TOPS, но одним гигабитным портом может «захлебнуться» на нескольких 4K-камерах. Считать нужно не «камеры на TOPS», а совокупную нагрузку на сеть, память и вычислитель.

Почему TOPS — не главный показатель?

TOPS отражает теоретический пик операций в секунду, но не учитывает пропускную способность памяти, поддержку операторов, эффективность декодирования и thermal-троттлинг. Модель с меньшим TOPS, но лучшей оптимизацией под конкретную сеть может работать быстрее. Ориентироваться нужно на результаты пилотного теста на целевом железе.

Можно ли использовать обычный промышленный ПК с CPU для машинного зрения?

Да, для простых моделей и одной камеры с невысоким разрешением. Но при росте сложности модели или числа потоков CPU становится узким местом. Если задача включает нейросетевой инференс в реальном времени, наличие NPU или GPU даёт предсказуемое преимущество.

Заключение

Промышленный компьютер с AI-вычислителем — это не универсальная замена традиционному промышленному ПК, а специализированная вычислительная платформа для задач, где нейросетевые вычисления дают измеримый производственный эффект.

Если задача ограничивается сбором показаний датчиков, отображением технологических параметров или выполнением стандартных алгоритмов автоматизации, обычного промышленного компьютера может быть достаточно.

Если же требуется локальное распознавание объектов, анализ видеопотоков, обнаружение дефектов и выполнение нейросетевых вычислений, наличие NPU или GPU становится существенным преимуществом.

Линейка Билтех позволяет рассматривать различные архитектуры под разные профили нагрузки: Rockchip с NPU, Intel Core Ultra с нейропроцессором и NVIDIA с GPU-ускорением. Это даёт возможность подбирать вычислительную платформу с учётом задач предприятия, программного обеспечения и условий эксплуатации.

Главный принцип выбора: сначала определите производственную задачу и требования к системе, затем подобрите оборудование, способное обеспечить ее выполнение. Такой подход защищает от недостаточной производительности, неоправданного усложнения и удорожания решения.

Материал подготовлен Владимиром Баловневым, ведущим техническим специалистом ООО ГК «Билтех».