The next generation of machine vision in industrial systems will rely on complex AI. Companies that want to safely innovate with machine vision need to put reliability and trust at the core of their development and operations. In this article, Lakera provides insights into challenges and solutions.
Rubrik: Embedded Vision & KI
Holz-Klassifizierung
Für Holzproduzenten ist es wichtig zu wissen, in welche der verschiedenen Qualitätsklassen das unverarbeitete Rundholz fällt. Die Edge Apps von Siemens sind auch für solche KI-Vision-Anwendungen einsetzbar.
Starkes Team
IIoT-Geräte generieren wichtige, teils sensible Informationen, die nach einer schnellen Analyse und sofortigen Entscheidung auf Basis der erfassten Daten verlangen. Ohne hohe Übertragungsraten, niedrige Latenzen und Datenverarbeitung direkt vor Ort lassen sich diese Anforderungen nicht erfüllen. NTT erklärt, warum 5G und Edge Computing eng miteinander verbunden und damit die Grundpfeiler für IIoT sind.
Echtzeit bereit
Für anspruchsvolle Machine-Vision-Anwendungen spielen oft zwei Faktoren eine zentrale Rolle: Hohe Bilddatenraten und deterministische Reaktionszeiten. Letzteres ist nur durch Echtzeitbetriebssysteme erreichbar. Diese müssen jedoch auch die extremen Datenraten der immer leistungsfähigeren Industriekameras unterstützen können; sowohl bei der eigentlichen Bilderfassung als auch bei der Speicherung der Bilddaten.
Mission Alderlake
Ende Oktober 2021 hat Intel die 12. Generation seiner Core-Prozessoren (Codename Alderlake) vorgestellt. Für Aufsehen sorgten vor allem die High-End-Varianten: Mit einem maximalen Turbo-Boost bis zu 5,2GHz, 16 Kernen und 24 Threads stoßen die angekündigten Desktop-Prozessoren bei der Multi-Thread-Performance in Bereiche vor, die beim Gaming sowie bei der Erstellung und Bearbeitung anspruchsvoller digitaler Inhalte neue Möglichkeiten bieten.
Gute Fehler
KI ist in aller Munde, aber kaum jemand vertraut dem ‚Prozess‘. Wie werden die Daten verarbeitet? Nach welchen Normen wird gemessen? Das sind häufige Fragen, wenn es um die Entscheidung geht, ein neues Deep-Learning-Modell einzusetzen, um die Qualitätssicherung abzubilden.
AI goes Embedded
KI Computing findet überall statt: Sei es beim autonomen Fahren, bei Data Science oder in der Zugangskontrolle. Diese kommerziellen Anwendungen sind auf immer schnellere Prozesszeiten und steigende Auflösungen angewiesen, die durch GPGPU (General Purpose Graphical Processing Unit) sichergestellt werden. Diese vereinen auf einem Chip Multicore CPUs sowie Multicore GPUs und bestechen im Vergleich zu GPU-Karten durch ihre langjährige Verfügbarkeit und Kompaktheit.
KI-Diskrepanz
Während 70 Prozent der Teilnehmer einer Umfrage KI-basierte Inspektionssysteme für serienreif halten, setzen aktuell lediglich 17 Prozent diese auch ein. Dies ist bemerkenswert, da gleichzeitig fast 80 Prozent der befragten Firmen immer noch auf eine manuelle Qualitätskontrolle setzen. Wie diese Diskrepanz zu erklären ist, wurde im Rahmen einer Umfrage von Maddox AI mit über 110 Anwendern und Marktbeobachtern ergründet.
Sauber dank KI
Viele Anwendungen von Bilderkennung erfordern individuell trainierte KI-Modelle. Für die Qualitätssicherung benötigt die KI das Wissen, welche Bereiche in Bildern auf mangelnde Qualität hinweisen. Das Anreichern von echten Bilddaten mit synthetisch erzeugten Bildern liefert der KI Trainingsmaterial, das die Treffsicherheit von KI-Entscheidungen erhöhen kann, z.B. bei einer Mehrwegkisten Waschanlage.
GMSL3 bis 14m für Embedded Vision
Framos bringt die neue GMSL3-Technologie von Analog Devices im Embedded-Vision-Bereich zum Einsatz.