Сравнительный анализ производительности одноплатных компьютеров для разработки микроархитектурного вычислительного комплекса обнаружения возгораний

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.

1. Сравнительный анализ вычислительных платформ для бортового микромодуля предварительного распознавания изображений / В. А. Ковалев [и др.] // Информатика. – 2018. − Т. 15, № 3. – С. 7–21.

2. 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.

3. 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/10.37661/1816-0301-2020-17-3-36-43

4. Интеллектуальная технология распознавания подстилающей поверхности Земли / С. В. Кругликов [и др.] // Радиоэлектронные технологии. – 2019. – № 1. – С. 90–94.

5. 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.