Anzeige

KI-App für die Edge

Vision-App-basierte Industriekameras der künftigen IDS NXT Familien Rio und Rome sind bereits KI-Ready. Eine von IDS entwickelte KI-Vision-App macht sie zur energieeffizienten, aber dennoch leistungsstarken Inferenzkamera mit integriertem KI-Beschleuniger. Mit vorhandenen neuronalen Netzen können damit vielfältige, KI-basierte Bildverarbeitungsaufgaben in kurzer Zeit realisiert werden.

IDS zeigte auf der Messe Vision den funktionsfähigen Prototypen einer KI-basierten Objekterkennung, die vollkommen eigenständig auf einer IDS NXT-Industriekamera läuft. (Bild: ©NicoElNino/stock.adobe.com)

IDS zeigte auf der Messe Vision den funktionsfähigen Prototypen einer KI-basierten Objekterkennung, die vollkommen eigenständig auf einer IDS NXT-Industriekamera läuft. (Bild: ©NicoElNino/stock.adobe.com)

Durch Machine Vision ist man heute in der Lage, Fertigungsprozesse lückenlos zu überwachen. Kameratechnik und Bildverarbeitung (BV) identifizieren optische Merkmale in aufgenommenen Bilddaten und machen diese für nachfolgende Glieder der Produktionskette verfügbar. Einmal programmiert, funktioniert die klassische BV immer auf dieselbe Art und Weise – aber nur solange die zu identifizierenden Merkmale eindeutig sind und vorab einprogrammiert wurden. Um Fehlerquoten immer weiter zu senken, müssen Produktionsfehler frühzeitig erkannt und vermieden werden. Wo sich aber die komplette Vielfalt an möglichen Abweichungen und Fehlern kaum vollständig vorhersagen lässt, liefern KI-basierte Verfahren neue Ansätze. Künstliche Neuronale Netze (KNN) interpretieren mittlerweile komplexe Bildinhalte mit unerreichter Genauigkeit und bieten Lösungen, die sich durch die manuelle Programmierung mit grundlegenden Algorithmen bisher selbst mit hohem Aufwand nicht realisieren ließen. Neben der Qualitätssicherung oder der vorbeugenden Wartung in der industriellen Produktion sind auch z.B. Einsätze in der medizinischen Diagnose oder Lagerprüfungen in Einzelhandel und Logistik denkbar. Die Vielfalt von KNNs wird Anwendern durch ein breites Spektrum von Open-Source Frameworks, High-Level Software und Services zugänglich gemacht. Eine Vielzahl veröffentlichter KNN-Architekturen decken dabei bereits unterschiedliche Anforderungen an Komplexität, Genauigkeit oder Inferenzzeiten ab. Durch die Automatisierung und Überwachung industrieller Anlagen stehen zum Training dieser Architekturen immer mehr Daten zur Verfügung. Allerdings bedurfte der Einsatz von KNNs bisher häufig teurer und leistungshungriger Hardware. Spezielle Embedded-Beschleuniger, das heißt Hardware Chips mit hoher Rechenleistung bei geringer Leistungsaufnahme, können Abhilfe schaffen. Dabei liegt es nahe, solche Beschleuniger direkt in die Kamera zu integrieren, sodass Bildanalysen dezentral stattfinden und Bandbreitenengpässe in der Übertragung vermieden werden können. Dem Anwender wird dadurch die Wahl gelassen, ob die künstliche Intelligenz klassisch auf einem PC, in der Cloud oder auf einer Embedded-Vision-Kamera ausgeführt wird, die sich damit neben der Bereitstellung von Bilddaten auch direkt um die Auswertung der Daten kümmert. Mit der Verbreitung und Vernetzung solcher ‚cyberphysischen Bausteine‘ werden Prozessdaten verfügbar, welche in weiteren Planungsebenen die Automatisierung und das Verarbeitungstempo von Prozessen der industriellen Fertigung nachhaltig vorantreiben. Die Struktur und Arbeitsweise von KNNs hat gezeigt, dass für deren Beschleunigung bewährte Hardware neu überdacht werden muss. Zwar interpretieren sie Bilder mit vergleichsweise simplen Rechenoperationen, wie Additionen und Multiplikationen, müssen doch je nach Tiefe der Vernetzung Milliarden solcher Berechnungen durchführen, um die Bilddaten gegen alle trainierten Merkmale zu prüfen. Um also hohe Inferenzraten bei geringer Latenz bzw. in Echtzeit zu realisieren, ist ein hohes Maß an paralleler Verarbeitung notwendig. Die Auswahl der richtigen Technologie (z.B. GPUs, DSPs oder FPGAs) zur KI-Beschleunigung ist damit eine weitere Variable, die bei der Konzeption des kompletten Bildverarbeitungssystems zu betrachten ist, dessen Umsetzung von Anforderungen wie Kosten, Baugröße, Performance, Qualität und Hardwarekompatibilität abhängt.

Die NXT-Industriekameras werden durch die KI-Vision-App zu universellen Inferenzkameras inklusive KNN-Beschleuniger. Mehrere vortrainierte Netze gängiger Architekturen können geladen und in wenigen Millisekunden zur Laufzeit umgeschaltet werden. (Bild: IDS Imaging Development Systems GmbH)

Die NXT-Industriekameras werden durch die KI-Vision-App zu universellen Inferenzkameras inklusive KNN-Beschleuniger. Mehrere vortrainierte Netze gängiger Architekturen können geladen und in wenigen Millisekunden zur Laufzeit umgeschaltet werden. (Bild: IDS Imaging Development Systems GmbH)

Industriekamera und Embedded KI-Plattform in einem

Mit IDS NXT Rio und Rome bringt der Kamerahersteller KI auf die Edge: Die neuartigen Vision App-basierten Industriekameras sind mehr als reine Bildlieferanten. Standardmäßige Kamerafunktionen können durch den Anwender bequem um Bildverarbeitunsaufgaben in Form sogenannter Vision-Apps erweitert werden. Hardwareseitig wird die CPU durch einen zur Laufzeit programmierbaren, parallel arbeitenden FPGA unterstützt, woduch der komplette Datenpfad flexibel nutzbar wird. Durch eine von IDS entwickelte KI-Vision-App wird der integrierte FPGA zum KI-Prozessor, der viele bereits bekannte Architekturen neuronaler Netze beschleunigt ausführen kann. Mit diesem KI-basierten Embedded-System ausgestattet, kann der Anwender seine eigenen neuronalen Netze bequem in der eigenständig arbeitenden Inferenzkamera für unterschiedliche Aufgaben bereitstellen: Anomalien erkennen, Früchte klassifizieren, Oberflächen prüfen, Leiterplatten und deren Bestückung verifizieren. Die flexible Anpassungsfähigkeit der Plattform vereinfacht deren Integration in ein bestehendes System und die Anpassung an verschiedene Märkte. Ein spezieller Interpreter sorgt dafür, dass die KNNs zusammen mit ihren trainierten Gewichten und definierten Ausgaben für die Verwendung mit dem KI-Prozessor vorbereitet und bei Bedarf einer Optimierung (Pruning) unterzogen werden, wodurch die KNN-Geschwindigkeit für die gewünschte Anwendung zusätzlich verbessert wird. Durch die FPGA-basierte KI-Beschleunigung sind Inferenzzeiten von wenigen Millisekunden mit verbreiteten Architekturen möglich. Kameras der Plattform können damit, was Genauigkeit und Geschwindigkeit von KI-Aufgaben angeht, mit modernen Desktop CPUs Schritt halten – bei gleichzeitig wesentlich geringerem Platz- und Energieverbrauch. Durch die Wiederprogrammierbarkeit des KNN-Beschleunigers ergeben sich Vorteile, was Zukunftssicherheit, geringe wiederkehrende Kosten und Time-to-Market betrifft. Die KI-Technik schreitet so rasant voran, dass monatlich neue Frameworks und Architekturen dazukommen, die nun implementiert werden können, ohne die Hardwareplattform zu ändern. Durch die schnelle Neukonfiguration des dedizierten Prozessors kann zur Laufzeit in wenigen Millisekunden zwischen mehreren geladenen KNNs umgeschaltet werden. Das ermöglicht die sequentielle Durchführung unterschiedlicher Klassifizierungen mit denselben Bilddaten innerhalb derselben Anwendung.

Ausblick

Künstliche neurale Netzwerke haben ihren Mehrwert für die moderne Machine Vision Welt bereits eindeutig bewiesen. Maschinelle Objekterkennung und -klassifizierung sind zwei der wichtigsten neuen Fähigkeiten, welche die Automatisierung in der Industrie aber auch viele Anwendungen in anderen Märkten weiterbringen wird. Die Hersteller und Systemintegratoren von Bildverarbeitungskomponenten müssen daher schnell einen beherrschbaren Weg aufzeigen, wie diese Technik einfach und dennoch effizient ohne eigenes Expertenwissen eingesetzt werden kann.

Empfehlungen der Redaktion

Das könnte Sie auch interessieren

Warum MQTT im IIoT so erfolgreich ist und was man vor dem Einsatz des Übertragungsprotokolls wissen sollte, erläutert der folgende Beitrag.‣ weiterlesen

Markforscher rechnen mit einem Anstieg des weltweiten Datenvolumens auf 175 Zettabyte im Jahr 2025. Über die Hälfte soll dann von vernetzten Applikationen im IoT und der Industrie 4.0 ausgehen. Zusammen mit Edge- und Fog-Technologien sorgen Computer-on-Module (COM), Single-Board-Computer (SBC) und entsprechende Software dafür, die Rechenleistung effizient, schnell und flexibel zur Verfügung zu stellen.‣ weiterlesen

Anzeige

Sei es der Kühlschrank, der meldet, wenn die Milch alle ist, oder der Thermostat, der Nutzungsstatistiken aufs Smartphone sendet: Verschiedenste Produkte, die traditionell nicht über eine Netzwerkverbindung verfügten, werden mittlerweile damit ausgestattet.‣ weiterlesen

Designs für smarte IoT-Geräte zu erstellen ist bei weitem keine leichte Aufgabe. Anwender stellen viele Anforderungen an die intelligenten Helfer. So müssen nahezu unsichtbar IoT-Devices immer aktuelle Updates ausführen können, sollten dabei gleichzeitig modern aussehen und natürlich sollte auch die Rechenleistung stimmen, um komplexe Aufgaben schnell erledigen zu können. Hinzu kommen dann noch Sparsamkeit beim Stromverbrauch und vor allem müssen die Daten der Anwender bestens geschützt sein. Einen Ausblick darauf, wie smarte Geräte diesen Anforderungen gerecht werden können, zeigt dieser Beitrag.‣ weiterlesen

Vom Sensor bis zur Cloud in wenigen Momenten: Die neue schlüsselfertige IoT-Plattform von Datacake macht Prozesse sichtbar. Das Startup bringt nicht nur die intuitiv zu bedienende Cloudlösung mit, sondern vernetzt darüber hinaus Anlagen und Maschinen mittels eigener Hardware auf Mobilfunkbasis. Nutzer können Prozesse in Echtzeit kontrollieren, Regeln für die automatische Anlagensteuerung erstellen und so ihre Prozesse optimieren. Datacake hat die Lösung speziell für die Bedürfnisse von KMU entwickelt.‣ weiterlesen

DigiCert, Utimaco, und Microsoft Research haben den Picnic-Algorithmus in einem ersten Testlauf erfolgreich im Bereich des Internet der Dinge implementiert.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige