La detecció de segments de línia s'ha convertit en una peça fonamental en sistemes de visió per computador, especialment en disciplines com el SLAM visual, la reconstrucció tridimensional i la inspecció industrial. No obstant això, portar aquests algoritmes a dispositius amb microcontroladors de baix cost no és trivial: la memòria disponible sol estar molt per sota de la que exigeixen els models de deep learning convencionals. En aquest context neix MiLSD, un detector de segments de línia dissenyat específicament per operar amb pressupostos de memòria inferiors a un megabyte. Des de Q2BSTUDIO, com a empresa especialitzada en desenvolupament de programari i tecnologia, considerem que aquest tipus d'avenços són clau per habilitar aplicacions d'intel·ligència artificial en entorns encastats i en la indústria real.
El principal repte de MiLSD és maximitzar la precisió sense superar límits de memòria estrictes. Els models més petits de detecció de segments solen ocupar diversos megabytes, cosa que impedeix la seva execució en MCU. MiLSD aborda aquest problema mitjançant un backbone totalment convolucional i compacte, que redueix dràsticament el nombre de paràmetres i la petjada de memòria, alhora que manté una representació intermèdia prou expressiva. La clau no és només reduir la mida, sinó fer-ho sense degradar la qualitat de les prediccions. Per això, es comparen tres representacions de sortida dins de la mateixa arquitectura lleugera, buscant la fórmula més eficient per codificar segments de línia. A més, en entorns industrials, la freqüència d'actualització i el consum energètic també influeixen en la viabilitat del sistema. Per tant, l'arquitectura de MiLSD es dissenya no només per cabre en memòria, sinó també per oferir una latència raonable i un cost computacional sostenible.
La representació més eficaç és la que es denomina F-Clip center-with-length-and-angle. En lloc de predir mapes de calor de punts extrems o màscares denses, aquesta formulació centra la sortida en el punt central del segment, la seva longitud i el seu angle. Aquesta representació compacta resulta especialment adequada per a models petits, perquè redueix la càrrega a les capes finals i facilita l'aprenentatge de la geometria bàsica. L'estudi demostra que, amb el mateix pressupost computacional, F-Clip aconsegueix un aprenentatge més estable i millors resultats que altres alternatives. Per a una empresa que desenvolupa aplicacions a mida, aquesta troballa té implicacions pràctiques: triar la representació correcta en un model de visió pot ser més decisiu que simplement augmentar el nombre de capes.
La quantització és un altre factor crític. MiLSD avalua l'impacte de reduir el pes dels models a 8 i 4 bits. Els resultats mostren que la quantització a 8 bits conserva gairebé completament el rendiment de precisió completa, mentre que a 4 bits es produeix una degradació notable, especialment en la regressió de l'angle. L'entrenament conscient de la quantització pot recuperar part d'aquesta pèrdua, però no tota. Aquesta conclusió orienta el disseny de sistemes encastats: no n'hi ha prou amb comprimir el model; cal entrenar-lo amb la quantització en ment i prioritzar els components més sensibles, com la sortida angular.
A més de la representació i la quantització, MiLSD incorpora millores en inferència: decodificació sub-píxel, augment de dades en temps de prova i un verificador lleuger. Aquestes tècniques incrementen la precisió sense augmentar de manera significativa el consum de memòria. El resultat és una millora del sAP10 a ShanghaiTech Wireframe des de 10.6 amb 25 mil paràmetres i 0.25 MB fins a 24.1 dins d'1 MB. Aquesta evolució demostra que és possible obtenir un detector de segments competitiu per a entorns extremadament limitats, sempre que s'optimitzin totes les etapes del procés, des del model fins al post-processament. Aquests guanys s'obtenen sense necessitat de maquinari especialitzat, cosa que obre la porta a la seva integració en productes existents.
L'estudi no pretén competir amb solucions per a GPU, sinó mapejar l'equilibri entre precisió i memòria. Per als equips d'enginyeria que treballen en productes comercials, conèixer aquest mapa permet prendre decisions informades: quants paràmetres assignar al model, quin ample de bits triar, quines tècniques de post-processament val la pena incloure. En molts casos, un model petit i ben ajustat és més valuós que una xarxa gran que no cap al maquinari objectiu. Aquest enfocament encaixa amb la filosofia de Q2BSTUDIO, on el desenvolupament de programari i tecnologia busca solucions eficients i sostenibles en el món real.
El procés de portar un detector de línies a un MCU no acaba amb l'elecció de l'arquitectura. L'optimització passa per calibrar el model, generar codi encastat eficient i validar el comportament en el maquinari objectiu. En projectes reals, la col·laboració entre l'equip d'IA i els enginyers de firmware és imprescindible. MiLSD ofereix una base sòlida per a aquest tipus d'integració, però cada producte necessita ajustos específics. Aquí és on el desenvolupament de programari a mida marca la diferència: no existeix una solució universal que s'ajusti a tots els casos. Plataformes com AWS o Azure poden complementar la inferència local amb serveis d'actualització de models o anàlisi remota, sempre que es respectin les mesures de ciberseguretat. Aquest enfocament de sistemes evita que un algoritme eficient quedi aïllat en un dispositiu sense valor pràctic.
La visió artificial en dispositius limitats també es beneficia d'una arquitectura de sistema completa. A Q2BSTUDIO treballem habitualment amb clients que necessiten integrar mòduls d'IA en els seus productes físics. Per a ells, el núvol ofereix la possibilitat de descarregar processos complexos a plataformes com AWS o Azure, mentre que el dispositiu local executa models lleugers com MiLSD. Aquesta combinació híbrida permet escalar el rendiment sense renunciar a la privacitat ni a la latència. Al mateix temps, la ciberseguretat esdevé essencial per protegir tant el firmware encastat com la comunicació amb serveis al núvol. La nostra experiència en ciberseguretat ens permet dissenyar sistemes robustos d'extrem a extrem, des del sensor fins al quadre d'anàlisi.
Un altre aspecte rellevant és la monitorització i l'explotació de les dades generades per aquests sistemes. Un cop un dispositiu amb capacitats de detecció de segments de línia comença a operar, produeix informació útil sobre entorns, obstacles o defectes. Integrar aquesta informació amb plataformes de Business Intelligence, com Power BI, facilita la presa de decisions. Per exemple, en una línia d'inspecció industrial, les dades de visió artificial poden alimentar quadres de comandament que mostren taxes de defectes, temps de cicle i canvis de qualitat en temps real. Q2BSTUDIO ofereix serveis de BI i Power BI per transformar dades de visió en valor de negoci. A més, la incorporació d'agents d'IA permet automatitzar tasques de manteniment predictiu o de control de qualitat, reduint la intervenció manual i millorant la consistència. Aquesta capacitat de convertir senyals visuals en decisions operatives representa un avantatge competitiu per a les empreses que aposten per la digitalització industrial.
En el futur, la combinació de models com MiLSD amb metodologies de desenvolupament àgil permetrà accelerar el cicle de vida dels productes encastats. La clau és entendre que la mida del model no determina per si sola la utilitat pràctica. Un detector amb menys d'un megabyte pot habilitar funcions avançades en càmeres de seguretat, robots de neteja, drons o dispositius mèdics, sempre que s'integri amb una estratègia de programari sòlida. Per aconseguir-ho, les empreses necessiten aliats tecnològics que dominin tant el desenvolupament d'aplicacions a mida com la infraestructura cloud, la intel·ligència artificial i la ciberseguretat. A Q2BSTUDIO combinem aquestes capacitats per portar la visió per computador des del laboratori fins a la producció.
