Начнем с того, что наша идея воплотилась в жизнь, когда Совет штата Керала по науке, технологиям и окружающей среде (KSCSTE) еще в феврале 2016 года объявил об испытании, в основном предназначенном для молодежи. Программа APJ ABDUL KALAM YOUTH CHALLENGE ( как известно) поощрял инновационную молодежь к реализации инновационных проектов, которые могут решить некоторые из проблем, с которыми мы сталкиваемся в различных сферах. Вкратце, так работает программа,

Подача предложений по выбранным направлениям. Отобранные лучшие идеи получат финансирование на разработку прототипа. После разработки прототипа соискатели должны продемонстрировать свои инновации, и среди них лучшая инновация будет выбрана победителем конкурса «A. Программа P. J. Abdul Kalam Youth Challenge »и будет награждена дополнительным финансированием, а также технической поддержкой и руководством по разработке технологии на основе проекта.

Дополнительная информация: http://ycpkerala.org/

Итак, мы стали одними из 6 отобранных конкурсантов. Наша идея заключалась в создании автономного робота для проверки рельсов с помощью дронов, который проверяет железные дороги на наличие трещин и повреждений. Основная цель заключалась в том, чтобы сделать процесс проверки железных дорог более эффективным и надежным.

К марту был представлен анализ бюджета проекта и завершены подготовительные работы для начала разработки проекта. Был утвержден контракт на разработку проекта, и к июню мы приступили к проекту.

От студентов к разработчикам

Как и каждый проект, мы провели исследовательскую работу и нашли множество методов и существующих решений. Некоторые из упомянутых методов были трудоемкими и дорогостоящими. Существующие методы не подходили для решения проблемы, которая могла стоить многих жизней. Нам нужно было что-то гораздо более точное и требующее меньше рабочей силы. Решение, которое мы придумали, заключалось в том, чтобы внедрить машинное обучение и использовать его для анализа данных, собранных с датчиков. В нашем случае датчиком была камера, которая фиксирует изображения, а затем это изображение анализируется с помощью модели машинного обучения.

В первую очередь мы сконцентрировались на разработке дрона, отвечающего нашим требованиям. Информация, предоставленная Tech Eagle IIT Kanpur, помогла нам изучить все необходимое для разработки такого дрона. Поскольку мы только начинали, ошибки также были частью нашего пути. Кое-где у нас было много неудач. Но в конце концов, так или иначе, мы нашли какое-то решение. Один из таких случаев был, когда мы заказывали запчасти для дрона на Алиэкспресс. На тот момент мы понятия не имели о правилах использования беспилотных летательных аппаратов в Индии. Таможня конфисковала наши товары, потому что они были импортированы из Китая и в соответствии с индийскими правилами ввоз дронов или их частей был запрещен. Другого способа получить эту посылку не было. В конце концов, нам пришлось сдаться. Деньги, потраченные на это - потеряны.

В то же время готовилось то, что нужно было позаботиться о машинном обучении. Проблема, которая омрачила нас с самого начала, заключалась в отсутствии данных для разработки модели машинного обучения. С помощью наших наставников мы собрали необходимое оборудование (GPU) для работы в ML. К тому времени мы закупили необходимые запчасти для дронов на территории Индии. Разработали шасси и блоки управления дронов для наших нужд, повредили многие дроны во время обучения. У нас также были некоторые проблемы с моделью машинного обучения, которую мы строим на платформе Yolo. В какой-то момент у нас даже был человек с дроном DJI, который помог нам сделать снимки с местных железнодорожных путей для обучения модели машинного обучения.

На своем пути мы встретили много людей, некоторые из них помогли нам в наших усилиях. Доступ в технопарк Тируванантапурам стал одним из таких переломных моментов. Внезапно нас поддержали многие, кто сталкивался с подобными сценариями.

За это время прошло почти два года, и мы были группой студентов, которые жонглировали своей жизнью в сфере биотехнологий и проектами своей мечты. К этому времени подходил к концу семестр 2017–2018 годов. Поэтому мы временно перенесли наш проект в Технопарк. Тируванантапурам. Дальнейшая разработка велась во время отпуска.

Каннур в Тируванантапурам: на 441 км позже

Технопарк для таких девелоперов, как мы, - это как сбывшаяся мечта. У нас была возможность поработать с некоторыми выдающимися стартапами.

Мы переместили все имеющиеся у нас материалы в Технопарк и арендовали на время пребывания домик поблизости. Future Technologies Lab любезно предоставила нам необходимое пространство и оборудование для развития нашего проекта. К середине первого месяца работы в Технопарке все омраченные проблемы начали бить нас сильнее. Нехватка данных о трещинах на железнодорожных путях, разработка эффективных дронов для наших нужд были первоочередными задачами. На этом этапе у нас было всего несколько месяцев, чтобы завершить наш проект. Давление нарастало….

Тем не менее, мы продолжили работу в Future Technologies Lab. Мы даже обсудили наш проект с другими стартап-факультетами. Учитывая наши дедлайны и сложность проектирования дрона, многие советовали нам подумать о менее сложном прототипе. После долгого мозгового штурма поздно ночью нам пришла в голову идея разработать подвижный вагон на рельсовой основе, похожий на робота. Больше не было времени дурачиться, нам нужно было сделать рабочий прототип до финальной даты. Уже на следующий день команда разработчиков оборудования разработала простую 3D-модель, чтобы определить осуществимость нашей идеи.

Новый дизайн и все подготовили почву для новых обсуждений. Обсудили препятствия, с которыми мы можем столкнуться внутри себя и других сотрудников. Кое-что решал, спрашивал мнение некоторых преподавателей. Команда FabLab дала нам представление о том, как разработать модель, используя методы цифрового изготовления. За это время мы столкнулись с двумя основными проблемами: как закрепить бота на рельсах и как избежать лобового столкновения с движущимся поездом. Первую проблему можно решить, разработав блокирующий механизм, который фиксирует колеса на рельсе и разблокируется при необходимости. Последний… мы просто подумали, что пока об этом не думаем. С тех пор это был всего лишь прототип, и у нас было гораздо больше поводов для беспокойства.

У нас было все необходимое: от паяльников до 3D-принтеров. Команда FabLab позволила нам использовать необходимые инструменты и инструменты для цифрового производства. Итак, идея заключалась в том, чтобы разработать каретку с помощью программного обеспечения для САПР и напечатать ее на 3D-принтере или вырезать лазером.

Несмотря на то, что у нас было представление о конструкции, у нас все еще были проблемы с поиском подходящих датчиков для определения различных аспектов рельсов. Проблема заключалась в том, что мы не могли полагаться только на камеры в получении необходимых данных. Нам нужна была какая-то другая форма чувствительности. Наши поиски подходящего сенсора варьировались от камер IntelReal Sense до Walabot. Наконец, мы остановились на использовании массива ультразвуковых датчиков в сочетании с массивом камер. После некоторых обсуждений родился новый улучшенный дизайн.

Еще одним преимуществом работы в Технопарке является то, что мы можем использовать выделенный суперкомпьютер с Tesla P100 - самым передовым графическим процессором для центров обработки данных из когда-либо созданных. Модель машинного обучения была обучена на этом суперкомпьютере. Из-за отсутствия необработанных данных (изображений для обучения ИИ) трещин на железных дорогах мы взяли эти данные из Интернета. Благодаря документу IEEE мы смогли получить доступ к тысячам необработанных данных, которые вовремя спасли нас. Затем на этих данных была обучена обычная сверточная нейронная сеть (графовая модель показана ниже).

После нескольких тренировок наша модель достигла требуемой точности.

Еще одно препятствие! Обученная модель не работала эффективно на устройстве с низким энергопотреблением, таком как Raspberry Pi. Мы обратились ко многим другим платам для разработки для тяжелых условий работы с малым форм-фактором, таким как Nvidia Jetson. Но Jetson был намного выше наших финансовых возможностей. Поэтому вместо нее в качестве сопроцессора использовалась палка Intel Movidius (Neural Compute Stick). В рамках этого проекта также было создано программное обеспечение для преобразования файлов моделей JSON и файлов веса .h5 в файл .meta. Но нам не удалось добиться удовлетворительных результатов, как мы надеялись.

Пока одна часть команды работала над программным обеспечением, одна часть работала над моделью машинного обучения, а другие работали над электроникой и оборудованием. В ближайшие дни мы буквально загорелись!

Кодеры, штампующие блоки кодов….

Металлическая бригада шлифовальные… ..

Дни огня!

3D-модель нашей системы была сделана с помощью Autodesk Fusion 360. Первоначально мы планировали полностью напечатать марсоход на 3D-принтере, но позже выяснилось, что это экономически нецелесообразно для прототипа, поэтому для производства пришлось использовать станки с ЧПУ и лазерные резаки. Первый прототип был изготовлен с использованием пенопласта и станка с ЧПУ. Эта версия в основном использовалась для калибровки камеры и колес, механизма блокировки. Затем был изготовлен следующий с использованием акрилового листа и лазерного резака. Сначала с помощью программного обеспечения была создана 3D-модель, а затем различные детали были преобразованы в 2D-модель для лазерной резки. Затем вырезанные части были соединены, чтобы сформировать окончательный прототип. Затем были установлены электронные компоненты.

К этому времени команда разработчиков программного обеспечения завершила большинство задач, связанных с клиентской и серверной частью. На этом этапе у нас было оборудование, программное обеспечение и модель машинного обучения, разработанные тремя отделами, работающими независимо. Наши дни в Технопарке подходили к концу, так как в начале августа началось обучение в колледже.

28 июля 2018 - Собираем вещи и прощаемся с Технопарком.

Дни в Технопарке Тируванантапурам были потрясающими. Я познакомился с множеством новых людей со схожими интересами. У меня был потрясающий опыт совместной работы для решения проблем и многому научился.

НОВЫЙ СЕМЕСТР НОВЫЕ БУРДЛЫ

С самого начала семестра мы все были заняты учебными делами. Мы редко встречались, чтобы поработать, но большую часть времени мы были заняты другими делами. Развитие шло в стадии черепашьих гонок. Большая часть работы, которую мы проделали за это время, заключалась в создании кластера из двух плат Asus TinkerBoard и одного Raspberry Pi, но это также не обеспечивало необходимых функциональных возможностей.

За это время мы получили приглашение на презентацию TensorFlow Roadshow в Бангалоре. С множеством вопросов мы посетили Roadshow. Разъяснил наши сомнения с обработчиками сеансов. Мы поговорили с несколькими людьми о нашем проекте, получили много предложений. Одно из таких замечательных предложений было сделано Эндрю Селли. Он руководил сеансом TensorFlow lite. Он предложил нам опробовать архитектуру mobileNET для нашей модели. В настоящее время мы работаем над реализацией нашей модели машинного обучения с использованием архитектуры mobileNET.

БЛОГ В РАЗРАБОТКЕ. ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ БУДУТ ОБНОВЛЕНЫ СКОРО