KI per Vision-App
Künstliche Intelligenz als App für Industriekameras
Vision-App-basierte Industriekameras der IDS NXT-Familien Rio und Rome sind bereit für künstliche Intelligenz (KI). Eine Vision-App macht sie zu energieeffizienten und leistungsstarken Inferenzkameras mit integriertem KI-Beschleuniger.
IDS zeigt auf der Vision einen funktionsfähigen Prototypen einer KI-basierten Objekterkennung, die vollkommen eigenständig auf einer IDS NXT-Industriekamera läuft. (Bild: ©NicoElNino/stock.adobe.com)
Einmal programmiert, funktioniert die klassische Bildverarbeitung immer auf dieselbe Art und Weise – aber nur solange die zu identifizierenden Merkmale eindeutig sind und vorab definiert 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 bisherigen Algorithmen selbst mit hohem Aufwand nicht realisieren ließen. Neben der Qualitätssicherung oder Predictive Maintenance in der industriellen Produktion sind z.B. auch neue Einsatzgebiete in der medizinischen Diagnostik oder Lagerprüfungen in Einzelhandel und Logistik denkbar.
Embedded-Beschleuniger in der Kamera
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 hier Abhilfe schaffen. Dabei liegt es nahe, solche Beschleuniger direkt in die Kamera zu integrieren, sodass Bildanalysen dezentral stattfinden und Bandbreiten-Engpässe in der Übertragung vermieden werden. 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 der Bilddaten, auch direkt um deren Auswertung kümmert. 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, allerdings müssen je nach Tiefe der Vernetzung Milliarden solcher Berechnungen durchgeführt werden, um die Bilddaten gegen alle trainierten Merkmale zu prüfen. Um hohe Inferenzraten bei geringer Latenz bzw. in Echtzeit zu realisieren, ist daher ein hohes Maß an paralleler Verarbeitung notwendig. Die Auswahl der richtigen Technologie (z.B. GPUs, DSPs oder FPGAs) zur KI-Beschleunigung ist somit 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.
