Machine-Vision-Systeme sind mit spezialisierten Optiken mit besonders hoher Auflösung, exakt kalibrierter Bildverarbeitungs-Software, regelbasierten Algorithmen oder spezieller Beleuchtung ausgestattet. Dadurch eignen sie sich insbesondere für Anwendungsfälle, in denen maximale Präzision im mikroskopischen oder Sub-Millimeter- bzw. Sub-Pixel-Bereich, hohe Prüfgeschwindigkeiten oder streng kontrollierte Prüfbedingungen mit vollständiger Kontrolle über Umgebungsvariablen entscheidend sind. Für diese hochspezialisierten Aufgaben bleiben Visionsysteme die beste Wahl. In industriellen Produktionsumgebungen gibt es jedoch zahlreiche Anwendungsfälle mit geringeren Anforderungen, für die bislang ebenfalls solche Lösungen eingesetzt wurden. Dazu zählen Aufgaben in der Arbeits- und Prozesssicherheit, Qualitätssicherung und Prozessoptimierung, z.B. die Überwachung von Materialflüssen, die Erkennung von Verstößen gegen Vorgaben zur persönlichen Schutzausrüstung (PSA) oder von Blockaden an Förderanlagen sowie weniger komplexe Qualitätskontrollen. Edge-Computing-fähige und KI-gestützte Netzwerk-Kameras können viele dieser Aufgaben inzwischen auch übernehmen und sind eine wirtschaftlich attraktive Alternative.
Kamera für mehrere Anwendungsfälle
Die Kameras sind dafür mit Machine Learning Processing Units (MLPU) oder Deep Learning Processing Units (DLPU) sowie leistungsfähigen Prozessoren und System-On-Chip-Technologien (SoCs) ausgestattet. Diese ermöglichen es, anspruchsvolle, KI-basierte Analysen von Bild- und Sensordaten direkt auf der Kamera auszuführen. Dadurch müssen häufig nur Metadaten oder bereits analysiertes oder komprimiertes Bildmaterial an nachgelagerte Systeme wie zentrale Server oder Cloud-Plattformen übertragen werden. Dieser Ansatz reduziert Latenzzeiten sowie den Bedarf an Bandbreite und Speicherplatz, stellt geringere Anforderungen an die Netzwerkinfrastruktur und sorgt dafür, dass potenziell sensible Daten das Unternehmensnetzwerk zur Analyse nicht verlassen müssen.
KI-gestützte Analyse ermöglicht es, Objekte zu klassifizieren und ihren visuellen und räumlichen Kontext einzuordnen. Auch moderne Vision-Kameras können solche KI-basierten Analysen und Objektklassifizierungen durchführen. Häufig sind sie jedoch auf klar definierten Prüfaufgaben optimiert und fokussieren auf die Erkennung vordefinierter Zustände, Positionen oder Abweichungen innerhalb eines klar abgegrenzten Anwendungsfalls. Netzwerk-Kameras lassen sich dagegen flexibler für unterschiedliche Analyse-, Prozessüberwachungs- und Sicherheitsaufgaben einsetzen und können mehrere Anwendungsfälle parallel abdecken. Dabei können sie Objekte klassifizieren, deren Umfeld berücksichtigen und Analyseergebnisse mit weiteren Informationen verknüpfen. Eine KI-Netzwerk-Kamera kann z.B. erkennen, dass eine Person einen Gefahrenbereich betritt, und gleichzeitig feststellen, ob sie die dafür vorgeschriebene Schutzausrüstung trägt. Durch die Vernetzung mit weiteren Systemen kann die Kamera auf Basis dieser Analyseergebnisse weiterführende Aktionen auslösen, beispielsweise einen Alarm oder das Stoppen einer Maschine. Gerade bei weniger komplexen Anwendungsfällen bietet dies einen wirtschaftlichen Vorteil: Eine Netzwerk-Kamera kann Sicherheitsaufgaben, Prozessüberwachung und KI-basierte Analysen gleichzeitig übernehmen. Dadurch lässt sich die bestehende Kamerainfrastruktur mehrfach nutzen und der Bedarf an zusätzlichen Sensorsystemen reduzieren.
