Rubrik: Embedded Vision & KI

Transparent AI

Current ML development practices are insufficient to create reliably and trustworthy solutions. Products are often only tested in operation (above). Setting up integrated and data-driven infrastructure is a must-have to create the next generation of machine vision applications (below).

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.

Holz-Klassifizierung

Bild 2 | One-Click-Deployment des ML Package in der Visual Quality Inspection Webanwendung nach Training in der Cloud auf die Edge Box mittels ´Start Prediction´.

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

Um Daten in Echtzeit zu sammeln und zu verarbeiten, braucht es die Kombination von 5G und Edge Computing. Mit einer Edge-Datenverarbeitung lassen sich mit Latenzzeiten im Bereich von wenigen Millisekunden Roboter sicher kontrollieren.

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

Bild 1 | Dank DDR5 Speicher und neuer GPU-Architektur Intel Iris Xe bieten sich mit den 12. Gen Intel Core Prozessoren (Alderlake) völlig neue Möglichkeiten für Highend- und Echtzeit-Anwendungen. Im Vergleich zur vorherigen Generation ermöglichen die neue CPUs IoT

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

Bild 1 | Mit einem einzigen Solino-Sensor werden alle Aspekte erfasst, die Qualität und visuelles Erscheinungsbild eines Produktes ausmachen.

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

Bild 1 | Der mit GPGPU ausgestattete lüfterlose Visionrechner Vision Box AI bietet eine effektive Möglichkeit, AI-Anwendungen mit hohem Prozesstakt oder mit komplexeren Netzwerken umzusetzen.

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

Bild 1 | Maddox AI hat anhand einer Umfrage fünf Punkte extrahiert, warum Anwender KI-Inspektionssysteme derzeit nur verhalten einsetzen.

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

In einer Kistenwaschanlage verbleiben gelegentlich Kleberückstände auf den Kisten. Optimierte KI-Modelle mit synthetischen Trainingsdaten helfen, diese Rückstände zuverlässiger zu detektieren.

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.