Erfolgsgeschichte

Refactoring einer auf Computer Vision basierenden Lösung zur Erkennung von Ölverschmutzungen auf Bohrinseln

Verbesserung der CI/CD-Pipeline und Aktualisierung kundenorientierter Anwendungen, um dem Kunden die Erweiterung seines Kundenstamms zu ermöglichen.
challenge_icon
Die Herausforderung
Die eingebetteten Anwendungen, die als monolithische Einheit mit eng gekoppelten Subsystemen und begrenzten Hardware-Abstraktionsschichten (HAL) strukturiert waren, behinderten die Integration von Unit-Tests in Continuous Integration/Continuous Deployment (CI/CD)-Pipelines. Die Anpassung der Lösung für verschiedene Ein-/Ausgabegeräte im SRP-System war aufgrund der eingeschränkten HALs komplex. Darüber hinaus behinderten die miteinander verbundenen Subsysteme die Verwendung dedizierter Software-Stacks für Bildverarbeitung, KI, IoT und HAL. Die Implementierung von YOLOv4 für die Markererkennung erforderte eine strenge Bewertung der Zuverlässigkeit, Effizienz und Genauigkeit. Der Vergleich alternativer Inferenzansätze wie OpenCV, ONNX und OpenVINO mit YOLOv4 war von entscheidender Bedeutung. Die Verbesserung der Entwicklung, Bereitstellung und Benutzererfahrung erforderte Verbesserungen bei den Build-Systemen, dem Abhängigkeitsmanagement, der Fernüberwachung, den Managementsystemen und den kundenorientierten Webanwendungen.
process_icon
Die Lösung
Wir haben diese Herausforderung durch eine Umstrukturierung der eingebetteten Anwendung, eine Verbesserung der CI/CD-Pipeline und eine Aktualisierung der kundenorientierten Anwendungen bewältigt. Die Subsysteme der eingebetteten Anwendung wurden mit klaren Funktionen und Grenzen modularisiert, und diejenigen, die mit externer Hardware interagieren, wurden mit genau definierten HALs isoliert. Automatisierte Tests, Codequalitäts- und Abdeckungsbewertungen wurden in die CI/CD-Pipelines integriert, um einzelne Subsysteme zu überprüfen, und der Build-Prozess wurde mit Abhängigkeits- und Paketmanagern verbessert. Die modulare Architektur ermöglichte Microservices und maßgeschneiderte Software-Stacks. Die YOLOv4-Implementierung für die Ankererkennung wurde strengen Benchmark- und Laufzeittests unterzogen. Alternative Inferenzansätze (OpenCV, ONNX, OpenVINO) wurden untersucht, und ein nahtloser Übergang von YOLOv4 wurde durch Modularisierung und unabhängige Testsuiten erleichtert.
solution_icon
Das Ergebnis
Die Verbesserungen haben die Systemstabilität erheblich gesteigert, wobei überarbeitete Ereignisprotokollierer eine systematische Fehlerbehebung für schnelle Lösungen ermöglichen. Neu implementierte HALs ermöglichten ein dynamisches Umschalten zwischen Eingabe-/Ausgabekonfigurationen und Hardware-Emulationen. Maßgeschneiderte Software-Stacks verbesserten die Effizienz und Genauigkeit von Algorithmen zur Erkennung von Ölleckagen und Support-Services (IoT, HAL). Klar definierte Grenzen von Inferenz-Frameworks ermöglichten eine Laufzeitkonfiguration für optimale Ergebnisse. Optimierte CI/CD-Pipelines minimierten die Komplexität, den Aufwand und die Zeit für die Bereitstellung. Diese Änderungen vereinfachten die Anpassung und ermöglichten es dem Kunden, seinen Kundenstamm zu erweitern.
Diese Seite verwendet eine KI-gestützte Übersetzung. Brauchen Sie menschliche Hilfe? Sprechen Sie mit uns