Syftet med Arduino UNO Q, särskilt ur ett slutanvändarperspektiv, förklaras bäst genom ett praktiskt exempel, även om enheten inte i första hand riktar sig till typiska konsumenter. Föreställ dig ett litet företag som delvis har automatiserat förflyttningen av varor från en förpackningsmaskin till logistikområdet. För närvarande kontrollerar en anställd visuellt om varje produkt är korrekt förpackad och märkt. Arduino UNO Q skulle kunna användas, åtminstone som en del av en genomförbarhetsstudie, för att automatisera denna kvalitetskontroll.
Med hjälp av en USB-kamera kan UNO Q ta bilder av produkter på transportbandet och upptäcka förpackningsfel. Om ett fel upptäcks kan den logga händelsen i en databas för statistisk spårning och meddela en anställd. Ett ytterligare steg är till och med möjligt: UNO Q skulle kunna utlösa ett ställdon för att automatiskt skjuta bort defekta produkter från transportbandet.
Även om den här typen av uppgifter låter komplexa och inte är helt enkla att genomföra, erbjuder UNO Q två viktiga fördelar. För det första är Arduino-ekosystemet stort, allmänt antaget, noggrant dokumenterat och väletablerat. Chansen är stor att liknande projekt redan finns och kanske till och med är offentligt dokumenterade. För det andra, och mer subjektivt, stöder kortet Edge Impulse , en plattform som förenklar skapandet av anpassade Edge-AI-modeller. I det här exemplet kan en modell tränas på bilder av korrekta och felaktiga förpackningar och sedan distribueras lokalt på UNO Q med minimal ansträngning. Att köra neurala nätverk lokalt har också fördelar, som att upprätthålla konfidentialitet, undvika att förlita sig på externa tjänsteleverantörer och arbeta utan en stabil internetanslutning. Detta är dock inte ett unikt försäljningsargument; TensorFlow Lite kan till exempel också användas på Raspberry Pi-kort.
Exemplen från Arduino App Lab är också värda att nämna. De introducerar användarna till det blockbaserade https://docs.arduino.cc/software/app-lab/tutorials/bricks/ arbetsflödet och gör det enkelt att anpassa det. Många exempel visar hur resultat från bildigenkänning kan visas via en smartphones webbgränssnitt. UNO Q kan också fungera som ett traditionellt utvecklingskort via Arduino IDE 2.0+, och då är det bara MCU:n som programmeras, inte Qualcomm APU. Ett mer praktiskt användningsområde för enbart MCU:n kan vara ett bevattningssystem med fuktsensorer och pumpar. Förutbildade modeller kan också vara användbara för uppgifter som bildanalys eller grundläggande taligenkänning. Sammantaget bör de inkluderade exemplen ses som vägledning och inspiration för att genomföra dina egna projekt.