AMD助力MulticoreWare打造AI驱动智能结算解决方案

大家好，感谢邀请，今天来为大家分享一下AMD助力MulticoreWare打造AI驱动智能结算解决方案的问题，以及和AI,amd,嵌入式,锐龙的一些困惑，大家要是还不太明白的话，也没有关系，因为接下来将为大家分享，希望可以帮助到大家，解决大家的问题，下面就开始吧！

项目挑战

当用户遇到困难时，通常需要员工进行大量干预。零售商可能还会面临高盗窃率，并且由于系统效率低下或设计较差而通过数据分析推荐补充产品的机会。

“我们想为零售自我检查渠道和外卖食品站建立解决方案。我们需要一个系统来了解要解决的产品，请确保视觉识别与条形码相匹配，并实时检测盗窃和提醒店员。”

在自我检查期间，扫描的产品名称和图像是由使用对象检测的摄像机收集的，并与产品条形码上的信息进行了比较。 Rawat说：“我们需要一个可以执行多听方法的处理器，将视觉传感与条形码数据相结合，并允许我们在多个AI模型上进行推理。”

为此，MCW选择了AMD Ryzen嵌入式处理器，该处理器能够在单个芯片上执行所有这些任务，该芯片无需使用其他供应商的多个芯片，该芯片集成了CPU，GPU和NPU。

解决方案

多层软件的结算解决方案建立在基于计算机视觉的对象检测和与条形码验证相匹配的基础上。通过计算数据库中检测到的产品和参考图像之间的相似性来执行产品识别。条形码扫描仪读取产品条形码以进行快速准确的结算，而AI对象检测则横断了产品的扫描以检测不匹配或不正确的扫描。如果将条形码切换到价格较低的产品，则相机将检测到差异并触发警报。对于欺诈和异常检测，该系统使用AL来识别可疑行为，例如错过的扫描，条形码篡改或产品交换。结帐系统中涉及的组件包括基于YOLO算法的对象检测模型，该模型经过自定义数据训练以检测产品；相似性检查模块，通过使用基于Resnet的模型提取功能，将检测到的产品与数据库进行比较；一个例外/购物者检测模块，该模块使用CNN-LSTM的模型在商店中监视可疑活动；以及使用Llama2大语言模型生成响应的LLM模块。

为了与这些模块进行交互，该系统具有集中的图形用户界面（GUI），用于监视，管理和分析实时和历史产品以及监视数据。控制面板包括对产品扫描区域的实时摄像头传输；一个实时产品条形码扫描系统，显示每种产品的全面信息（包括名称，价格，描述，品牌和其他重要属性）；以及允许用户添加或删除产品并显示实时总数的购物车详细信息。此控制面板视图还包含重要的性能指标，包括CPU和内存利用率。该系统还包括一个实时摄像机视图，该视图立即显示出标记的入店行窃事件，以及一个可以系统地分类并存储所有检测到的事件以进行审查的异常文件。

设计结果

对嵌入式设备进行交互式图形接口来管理密集和多样化的AI工作量并通过交互式图形接口确保沉浸式实时响应是一个严重的挑战。 AMD Ryzen嵌入式8000系列处理器提供功能强大的X86 CPU计算能力，最高8“ Zen 4”核心（16个线程），并包括集成的AMD Radeon图形卡，可优化视觉处理和多媒体性能。此外，AMD Ryzen嵌入式8845HS处理器可提供多达20个PCLE GEN4通道，为处理信息提供了足够的I/O灵活性。

对象检测是使用基于Yolo算法的模型进行的，该算法安装在使用自定义数据训练的AMD处理器上，以检测扫描的产品。检测到的产品的图像被裁剪并保存以进行相似性检查。相似性检查提取物使用基于Resnet架构的模型从检测到的产品图像中嵌入。将这些嵌入与存储在数据库中的参考嵌入进行比较，以找出它们的相似性。

在商店相机镜头中检测可疑活动涉及使用基于CNN-LSTM的分类模型来分析视频帧并识别异常行为。 AMD的Ryzen嵌入式处理器及其车载XDNA体系结构也是Ryzen Embedded X86解决方案的新功能，该功能可以快速，平稳的AI推理和决策，用于工业边缘的各种AI模型。

该系统处理视频流，根据预定义的类别将活动分类为正常或可疑的活动。当发现可疑活动时，会触发一个过程以保存特定的片段以进行审查。基于变压器的体系结构充当图像编码器，以生成与描述性文本标签生成的嵌入的嵌入。这种比较是通过余弦相似性来完成的，余弦相似性可以测量图像嵌入到特征空间中文本嵌入的近端。

Llama2大语言模型用于在系统中生成上下文通知。该模型用于两个关键任务：创建异常检测警报并显示购物车中添加的产品的现实，从而增强用户体验。

如果你还想了解更多这方面的信息，记得收藏关注本站。