informИнформатикаInformatics1816-03012617-6963UIIP NASB10.37661/1816-0301-2024-21-2-73-85inform-1287Research ArticleОБРАБОТКА СИГНАЛОВ, ИЗОБРАЖЕНИЙ, РЕЧИ, ТЕКСТА И РАСПОЗНАВАНИЕ ОБРАЗОВSIGNAL, IMAGE, SPEECH, TEXT PROCESSING AND PATTERN RECOGNITIONСравнительный анализ производительности одноплатных компьютеров для разработки микроархитектурного вычислительного комплекса обнаружения возгоранийComparative analysis of single-board computers for the development of a microarchitectural computing system for fire detectionhttps://orcid.org/0009-0007-9911-4356ПавленкоД. А.PaulenkaD. A.

Павленко Дмитрий Анатольевич, ведущий инженер-программист, лаборатория анализа биомедицинскихизображений

ул. Сурганова, 6, Минск, 220012

Dzmitry A. Paulenka, Lead Software Engineer, Laboratory of Biomedical Images Analysis

st. Surganova, 6, Minsk, 220012

dmitri.pavlenko@gmail.comОбъединенный институт проблем информатики Национальной академии наук БеларусиThe United Institute of Informatics Problems of the National Academy of Sciences of Belarus2024280620242127385Copyright © Павленко Д.А., 20242024Павленко Д.А.Paulenka D.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://inf.grid.by/jour/article/view/1287

Цели. Целью работы является выбор базовой вычислительной микроплатформы бортового микроархитектурного вычислительного комплекса для обнаружения аномальных ситуаций на территории Республики Беларусь из космоса на основе методов искусственного интеллекта.Методы. Для выбора вычислительного комплекса используется метод сравнительного анализа. К выбранному оборудованию применяется серия тестов производительности и проводится сопоставительный анализ (бенчмаркинг). Сравнительный и сопоставительный анализы осуществляются в соответствии с требованиями технического задания на текущий проект.Результаты. Проведены сравнительный анализ и тестирование производительности одноплатных компьютеров Raspberry Pi4 ModelB и Cool Pi4 ModelB, а также ИИ-ускорителя Google Coral USB Accelerator с Google Edge TPU. Сравнительный анализ показал, что Raspberry Pi4 ModelB и Cool Pi4 ModelB полностью соответствуют требованиям технического задания на разработку бортового микроархитектурного вычислительного комплекса обнаружения аномальных ситуаций. При этом Cool Pi4 ModelB хорошо справляется с нейросетевыми вычислениями, но в четыре раза медленнее, чем Google Coral USB Accelerator. Нейросетевые вычисления на Raspberry Pi4 ModelB в 22 раза медленнее, чем аналогичные вычисления на Google Coral USB Accelerator. Cool Pi4 ModelB опережает Raspberry Pi4 ModelB примерно в два-три раза при решении задач копирования и сжатия данных и почти в шесть раз при нейросетевых вычислениях.Заключение. Несмотря на то что Raspberry Pi4 ModelB подходит под требования технического задания в качестве вычислительной основы, при разработке бортового микроархитектурного вычислительного комплекса обнаружения аномальных ситуаций стоит использовать более мощные альтернативы со встроенным ускорителем нейронных сетей (например, Radxa Rock5 ModelA) либо с дополнительным внешним ИИ-ускорителем (например, сочетание Cool Pi4 ModelB и Google Coral USB Accelerator). Использование Raspberry Pi4 ModelB с дополнительным ИИ-ускорителем также приемлемо и увеличит скорость вычислений в десятки раз. ИИ-ускорители обеспечивают самые быстрые нейросетевые вычисления, но есть нюансы, связанные с новизной технологий, которые будут исследоваться при дальнейшей разработке.

Objectives. The purpose of the work is to select the basic computing microplatform of the onboard microarchitectural computing complex for the detection of anomalous situations in the territory of the Republic of Belarus from space on the basis of artificial intelligence methods.Methods. The method of comparative analysis is used to select a computing platform. A series of performance tests and comparative analysis (benchmarking) are performed on the selected equipment. The methods of comparative and benchmarking analysis are performed in accordance with the terms of reference to the current project.Results. A comparative analysis and performance testing of Raspberry Pi 4 Model B and Cool Pi 4 Model B single-board computers, as well as AI-accelerator Google Coral USB Accelerator with Google Edge TPU have been performed. The comparative analysis showed that Raspberry Pi 4 Model B and Cool Pi 4 Model B fully meet the terms of reference to the current project. At the same time Cool Pi 4 Model B handles neural network calculations well, but four times slower than similar calculations on Google Coral USB Accelerator. Neural network computations on the Raspberry Pi 4 Model B are 22 times slower than similar computations on the Google Coral USB Accelerator. Cool Pi 4 Model B outperforms Raspberry Pi 4 Model B by the factor of two to three for data copying and compression and almost six times faster for neural network computations.Conclusion. Despite the fact that Raspberry Pi 4 Model B meets the terms of reference to the project as a computational basis, when developing an on-board microarchitectural computing system for detecting anomalous situations, it is worth using more powerful alternatives with built-in AI-accelerators (e.g., Radxa Rock 5 Model A) or with an additional external AI-accelerator (e.g., a combination of Cool Pi 4 Model B and Google Coral USB Accelerator). Using a Raspberry Pi 4 Model B with an additional AI-accelerator is also acceptable and will speed up computations by several dozen times. AI-accelerators provide the fastest neural network computations, but there are features related to the novelty of the technology that will be explored in further development.

одноплатные компьютерынейронные процессорыускорители нейронных сетейИИ-ускорителитестирование производительностисопоставительный анализsingle-board computersneural processorsneural network acceleratorsAI-acceleratorsperformance testingcomparative analysisРабота выполнена при финансовой поддержке научно-технической программы Союзно- го государства «Комплекс-СГ» в рамках НИР № 9СГ2.1-225 от 24.02.2023The work was carried out with the financial support of the scientific and technical Union State Program "Complex-SG"ReferencesСравнительный анализ вычислительных платформ для бортового микромодуля предварительного распознавания изображений / В. А. Ковалев [и др.] // Информатика. – 2018. − Т. 15, № 3. – С. 7–21.Kovalev V. A., Paulenka D. A., Snezhko E. V., Liauchuk V. A., Kalinovski A. A. Comparative analysis of computing platforms for onboard micromodule of provisional image recognition. Informatika [Informatics], 2018, vol. 15, no. 3, pp. 7–21 (In Russ.).Comparative analysis of budget computing platforms for a portable micromodule of on-board image classification / V. A. Kovalev [et al.] // BIG DATA and Advanced Analytics : Collection of Materials of the Fourth Intern. Scientific and Practical Conf., Minsk, Belarus, 3–4 May 2018 / editorial board: М. Batura [et al.]. – Minsk, BSUIR, 2018. – P. 31–42.Kovalev V. A., Paulenka D. A., Snezhko E. V., Liauchuk V. A. Comparative analysis of budget computing platforms for a portable micromodule of on-board image classification. BIG DATA and Advanced Analytics : Collection of Materials of the Fourth International Scientific and Practical Conference, Minsk, Belarus, 3–4 May 2018. Editorial board: М. Batura [et al.]. Minsk, Belorusskij gosudarstvennyj universitet informatiki i radiojelektroniki, 2018, pp. 31–42.Распознавание подстилающей поверхности Земли с помощью сверточной нейронной сети на одноплатном микрокомпьютере / Д. А. Павленко [и др.] // Информатика. – 2020. − Т. 17, № 3. – С. 36–43. https://doi.org/10.37661/1816-0301-2020-17-3-36-43Paulenka D. A., Kovalev V. A., Snezhko E. V., Liauchuk V. A., Pechkovsky E. I. Recognition of the Earth's underlying surface using a convolutional neural network on a single-board microcomputer. Informatika [Informatics], 2020, vol. 17, no. 3, pp. 36–43 (In Russ.). https://doi.org/10.37661/1816-0301-2020-17-3-36-43 4. Kruglikov S. V., Kovalev V. A., Paulenka D. A., Snezhko E. V., Liauchuk V. A. Intelligent technology for recognizing the underlying surface of the Earth. Radiojelektronnye tehnologii [Radioelectronic Technology], 2019, no. 1, pp. 90–94 (In Russ.).Интеллектуальная технология распознавания подстилающей поверхности Земли / С. В. Кругликов [и др.] // Радиоэлектронные технологии. – 2019. – № 1. – С. 90–94.Paulenka D. A., Kovalev V. A., Snezhko E. V., Liauchuk V. A., Pechkovsky E. I. Recognition of underlying surface using a convolutional neural network on a single-board computer. BIG DATA and Advanced Analytics : sbornik materialov VI Mezhdunarodnoj nauchno-prakticheskoj konferencii, Minsk, Belarus', 20–21 maja 2020 goda : v 3 chastjah. Chast' 1 [BIG DATA and Advanced Analytics : Collection of Materials of the VI International Scientific and Practical Conference, Minsk, Belarus, 20–21 May 2020) : in 3 Parts. Part 1]. Editorial board: V. A. Bogush [et al.]. Minsk, Bestprint, 2020, pp. 71–77.Recognition of underlying surface using a convolutional neural network on a single-board computer / D. A. Paulenka [et al.] // BIG DATA and Advanced Analytics : сб. материалов VI Междунар. науч.-практ. конф., Минск, Беларусь, 20–21 мая 2020 г. : в 3 ч. Ч. 1 / редкол.: В. А. Богуш [и др.]. – Минск : Бестпринт, 2020. – С. 71–77.Recognition of underlying surface using a convolutional neural network on a single-board computer / D. A. Paulenka [et al.] // BIG DATA and Advanced Analytics : сб. материалов VI Междунар. науч.-практ. конф., Минск, Беларусь, 20–21 мая 2020 г. : в 3 ч. Ч. 1 / редкол.: В. А. Богуш [и др.]. – Минск : Бестпринт, 2020. – С. 71–77.

The authors declare that there are no conflicts of interest present.