Teknologi pengenalan iris AI bergeser dari cloud ke perangkat akhir.
Dulu, pengenalan iris AI presisi tinggi seringkali mengandalkan kekuatan komputasi cloud, yang menciptakan hambatan aplikasi yang melekat dalam skenario dengan akses jaringan terbatas atau persyaratan privasi yang ketat. Bagaimana cara memigrasikan kemampuan algoritma ke perangkat tepi sambil mempertahankan akurasi pengenalan telah menjadi tantangan teknis umum bagi industri.
Homsh telah menyediakan solusinya sendiri.
I. Platform NPU Domestik: Memungkinkan Pengenalan Iris End-to-End
Baru-baru ini, tim R&D Homsh menyelesaikan penyebaran dan verifikasi model pengenalan iris ringan yang dikembangkan sendiri di platform NPU tertanam. Perangkat keras target yang dipilih adalah papan pengembangan berdasarkan chip Rockchip RK3588—produk perwakilan dari chip komputasi tepi domestik berkinerja tinggi, mengadopsi arsitektur aarch64 dan dilengkapi dengan unit komputasi NPU khusus.
Tim secara sistematis memverifikasi dua rute teknis pada platform ini: solusi inferensi umum berdasarkan ONNX Runtime dan solusi akselerasi NPU berdasarkan RKNN. Kedua rute telah menyelesaikan pemuatan model, koneksi tautan inferensi, dan verifikasi fungsi, dan antarmuka pengguna grafis yang mendukung dapat secara normal melakukan evaluasi offline dan pengambilan kamera real-time.
Ini berarti bahwa algoritma pengenalan iris inti Homsh sekarang memiliki kemampuan untuk berjalan secara independen pada chip tepi domestik.
II. Peningkatan Kecepatan 3.7x: Efek Akselerasi NPU yang Luar Biasa
Data kinerja memberikan ilustrasi yang paling intuitif.
Di bawah kondisi pengujian standar, model ONNX mencapai akurasi pengenalan iris 100% dengan laju bingkai inferensi yang stabil sekitar 1 FPS. Sebaliknya, model RKNN yang dipercepat oleh NPU melihat laju bingkai inferensinya melonjak menjadi 3,64 FPS, yang mewakili peningkatan kecepatan sekitar 3,7 kali.
Di balik lompatan kinerja ini adalah keberhasilan tim dalam mengatasi berbagai kendala teknis, termasuk ekspor model RKNN, kompatibilitas arsitektur pustaka yang mendasar, dan definisi simbol yang hilang. Dari transplantasi algoritma hingga adaptasi perangkat keras, setiap langkah telah memverifikasi kematangan kemampuan integrasi vertikal Homsh dalam "algoritma—chip—terminal".
Saat ini, tim sedang melakukan penelitian lebih lanjut tentang optimasi akurasi model RKNN, yang bertujuan untuk memulihkan akurasi pengenalan ke tingkat yang sebanding dengan versi ONNX sambil mempertahankan keunggulan laju bingkai yang tinggi.
III. Penyebaran Tepi: Membuka Lebih Banyak Kemungkinan Aplikasi
Nilai kecerdasan tepi lebih dari sekadar kecepatan.
Ketika kemampuan pengenalan iris diintegrasikan ke dalam papan pengembangan kecil, ia membebaskan diri dari ketergantungan pada kekuatan komputasi cloud dan koneksi jaringan yang stabil. Untuk skenario dengan kondisi jaringan terbatas seperti tambang bawah tanah, lokasi konstruksi jarak jauh, dan penegakan hukum seluler, ini berarti solusi yang benar-benar dapat diterapkan.
Pada saat yang sama, dalam mode penyebaran tepi, data biometrik dapat dicocokkan tanpa diunggah ke cloud, yang secara alami cocok untuk skenario aplikasi dengan persyaratan keamanan data yang ketat seperti gerai keuangan dan layanan pemerintah.
Homsh akan terus mempromosikan adaptasi mendalam dari algoritma ringan ke chip tepi domestik, menyediakan mitra dengan solusi tepi berkinerja tinggi, berbiaya rendah, dan mudah diintegrasikan untuk pengenalan iris.
IV. Sorotan Teknis
Sekilas Sorotan Teknis
Platform Target: Rockchip RK3588
Jenis Model: Pengenalan Iris + Pengenalan Wajah
Akurasi ONNX: 100%
Laju Bingkai RKNN: 3.64 FPS
Verifikasi Fungsi: Evaluasi offline, pengambilan real-time, mode pengenalan 1:N
Dari R&D algoritma hingga adaptasi chip, dari penyebaran cloud hingga implementasi tepi, Homsh memperluas batas aplikasi teknologi pengenalan iris selangkah demi selangkah.
Membuat pengenalan lebih cepat, lebih dekat, dan lebih aman.
Untuk detail teknis lebih lanjut atau untuk membahas peluang kerja sama, jangan ragu untuk menghubungi kami.
