Mouser Blog | France

À l’ère de l’industrie 4.0 et de l’Internet industriel des objets (IIoT), les possibilités des installations de production et des systèmes d’automatisation évoluent à une vitesse fulgurante. Ces possibilités peuvent encore être améliorées grâce à l’Ethernet à paire unique (SPE). Cette technologie présente en effet le potentiel de redéfinir les règles du jeu pour la connectivité. Ce développement a un rôle essentiel à jouer, en particulier pour les acheteurs techniques et les ingénieurs électriciens.

Le nombre d’appareils et d’applications Bluetooth ne cesse d’augmenter. Certaines applications, comme le suivi des marchandises en entrepôt, les applications pour maisons intelligentes, le suivi du bétail et les appareils commandés à distance, nécessitent une connectique à longue portée et doivent fournir une expérience utilisateur de qualité. Or, le nombre croissant d’appareils Bluetooth nous oblige à trouver une solution pour garantir la qualité de la connexion malgré les interférences provenant d’autres appareils utilisant la même bande de fréquence de 2,4 GHz pour des applications connectées par Wi-Fi et Bluetooth.

Combiner les technologies de l’information à celles de l’exploitation est un excellent moyen d’améliorer les processus et les opérations, mais il faut pour cela disposer d’un réseau industriel sans fil approprié, par exemple LoRaWAN.

Le Wi-Fi® est la technologie dominante des réseaux sans fil depuis plus de vingt ans. Elle a considérablement évolué au fil des ans, avec des débits plus rapides et une plus grande portée. Avec l'essor de l'Internet des objets (IoT) et de la domotique, l'importance du Wi-Fi n'a fait que croître. Toutefois, toutes les technologies sans fil ont leurs limites, qui sont cependant atténuées par la publication de la norme Wi-Fi 6 ainsi que par l'interopérabilité avec la norme Matter et le protocole Thread.

De nombreux pays à travers le monde se sont fixé des objectifs en matière de décarbonation afin de limiter le réchauffement climatique. Dans le cadre de l’objectif zéro émission nette de gaz à effet de serre d’ici 2050, l’efficacité énergétique est un facteur essentiel pour maximiser le rendement de chaque unité d’énergie consommée. C’est pourquoi les ingénieurs automobiles étudient toutes les sources d’énergie disponibles dans l’éventualité de pouvoir les intégrer à leur système ou les employer de façon détournée.

Nous voici de retour pour notre série sur la création de modèles d’apprentissage automatique (machine learning, ML) pour les systèmes embarqués à l’aide d’Edge Impulse. Dans les articles de blogs suivants, nous explorerons le processus et les outils permettant d’analyser les performances des modèles ML et de les ajuster de façon à optimiser leurs performances.

Initialement, les composants en carbure de silicium (SiC) avaient vocation à remplacer l’électronique CMOS traditionnelle. Ils avaient pour cela l’avantage du RDS(ON) et de fréquences de commutation plus élevées. Au fil du temps, les circuits ont été entièrement repensés afin de s’adapter aux caractéristiques particulières des matériaux à large bande interdite. Depuis que les matériaux à faible bande interdite se sont répandus sur un plus vaste marché, ils font l’objet d’études poussées de la part des fabricants de semi-conducteurs de puissance qui cherchent à en parfaire les avantages par rapport aux semi-conducteurs au silicium. C’est ainsi que le premier MOSFET SiC a été commercialisé en 2011.

La détection et l’identification d’objets résident au cœur de la grande majorité des applications de vision et il existe presque autant de moyens d’y parvenir que de raisons de le faire. Dans le présent article de blog, nous nous pencherons sur les principales technologies de capteurs utilisées pour la détection d’objets.

Les robots et les appareils de vision par ordinateur (machine vision) utilisent divers mécanismes de rétroaction pour garantir la précision. Les techniques utilisées jusqu’à présent suffisaient à répondre aux problèmes qui se posent. La nouvelle génération de conceptions basées sur la vision entend détecter la profondeur et des volumes avec un degré de précision plus élevé.

Dans notre dernier article de blog sur Edge Impulse, nous avons commencé à approfondir le sujet du flux de travail Create Impulse en examinant les différents types de blocs de traitement ainsi que leur usage respectif. Dans le présent article, nous nous intéresserons aux blocs d’apprentissage ainsi qu’au bloc de sortie, qui vient conclure le flux de travail Create Impulse. Dans Edge Impulse, on entend par blocs d’apprentissage les algorithmes d’apprentissage automatique qui servent à entraîner des modèles sur des données prétraitées.