KI auf Intel CPUs

KI auf Intel CPUs

Deep-Learning-Inferenz auf Intel-kompatiblen x86-CPUs

Mit der aktuellen Halcon-Version 18.05 kann erstmalig die Deep-Learning-Inferenz, also die Anwendung eines trainierten Netzes auf neue Daten, auch auf Intel-kompatiblen x86-CPUs ausgeführt werden und das annähernd mit der Geschwindigkeit einer Mittelklasse-GPU.

Künstliche Intelligenz gewinnt für Industrieprozesse zunehmend an Bedeutung. (Bild: MVTec Software GmbH)

Bild 1 | Künstliche Intelligenz gewinnt für Industrieprozesse
zunehmend an Bedeutung. (Bild: MVTec)

KI-basierte Technologien wie Deep Learning und Convolutional Neural Networks (CNNs) bieten viele Vorteile und sind damit für den Einsatz in Vision-Systemen geradezu prädestiniert: Dank selbstlernender Algorithmen können die Verfahren mittels Analyse großer Mengen an digitalen Bildinformationen verschiedene Objekte eigenständig kategorisieren. Im Rahmen eines Trainingsprozesses werden dabei spezifische Muster gelernt, die typisch für bestimmte Merkmale und damit für die Einordnung in eine entsprechende Objektklasse sind. Die Bilddaten von verschiedenen, zu erkennenden Gegenständen werden dazu sortiert (gelabelt) und einer Identität bzw. Klasse zugewiesen. Mit den so trainierten Modellen, auch Klassifikatoren genannt, lassen sich dann problemlos neu aufgenommene Bilder in die zuvor gelernten Klassen einordnen. Die Vorteile dieser Methodik liegen auf der Hand: Durch die große Trainings-Datenmenge werden nicht nur äußerst treffsichere Ergebnisse bei der Identifikation verschiedenster Objekte erzielt. Auch werden durch den ständigen Lernprozess der Aufwand und die Komplexität für das Training von Deep-Learning-Netzen reduziert. Wie können aber die Anwender davon profitieren? Eine Möglichkeit besteht darin, in eigener Regie ein entsprechendes Netz zu erstellen. Hierfür werden jedoch mehrere hunderttausend rechtlich einwandfreier Vergleichsbilder benötigt, um beispielsweise eine hohe Trefferquote bei der Erkennung von Defekten zu realisieren. Zudem ist die Entwicklung von CNNs äußerst komplex und setzt profundes Know-how voraus. Dieser Aufwand ist wohl für die meisten Unternehmen kaum zu stemmen.

Weniger Beispielbilder

Daher empfiehlt sich die Nutzung bereits vortrainierter Netze. MVTec nutzt für das Vortrainieren von Deep-Learning-Netzen einen Fundus von rund drei Millionen selbst erstellten, lizenzfreien Bildern aus dem industriellen Umfeld. Pro Klasse braucht der User zusätzlich nur etwa 300 bis 500 eigene Beispielbilder, anhand derer sich fehlerhafte Produkte trainieren und zuverlässig erkennen lassen. Zudem steckt in den vortrainierten Netzen bereits ein hohes Maß an Kompetenz, Expertise und Erfahrung, sodass dem Kunden damit viel Aufwand für das eigene Training abgenommen wird. Wichtig ist es nun, dass sich die Deep-Learning-basierten Machine-Vision-Funktionen nicht nur auf performanten, stationären Standard-PCs, sondern auch auf Embedded-Plattformen nutzen lassen. Denn kompakte Devices mit integrierter Embedded-Software finden im industriellen Umfeld immer mehr Verbreitung. Dazu zählen z.B. intelligente Kameras, Vision-Sensoren, Smartphones, Tablets oder Handhelds. Halcon bietet nun Deep-Learning-Algorithmen an, die auch auf Embedded-Boards auf Basis der weit verbreiteten Arm-Architektur laufen. Bereits für die Halcon-Version 17.12 wurde die Deep-Learning-Inferenz, also die Verwendung eines vortrainierten CNNs erfolgreich auf den Nvidia Jetson TX2 Boards, basierend auf 64-Bit-Arm-Prozessoren, getestet. Dabei stellt MVTec seinen Kunden auf Anfrage auch die für diese Architektur optimierte Halcon-Bibliothek zur Verfügung.

Mittels Deep-Learning-Technologien lassen sich Fehler zuverlässig identifizieren. (Bild: MVTec Software GmbH)

Bild 2 | Mit Halcon 18.05 können konventionelle IPCs ohne Einsatz einer GPU problemlos für Klassifikationsaufgaben auf Basis von Deep Learning genutzt werden. (Bild: MVTec)

 

 

Standard-CPU statt Mittelklasse-GPU

Das Besondere: Die Deep-Learning-Inferenz erreichte mit fünf Millisekunden annähernd die Geschwindigkeit einer herkömmlichen Laptop-GPU, was eine ungewöhnlich hohe Ablauf-Performance auf einem Embedded-Device bedeutet – verglichen mit einem Standard-PC. Anwender sind damit in der Lage, alle Vorteile des Deep Learnings auch auf dem gängigen Embedded-Board Nvidia Jetson TX2 zu nutzen. Dennoch verfügt nicht jedes Device über eine leistungsfähige GPU. Daher geht MVTec noch einen Schritt weiter: Mit der aktuellen Version Halcon 18.05 kann erstmalig die Deep-Learning-Inferenz auch auf Intel-kompatiblen x86-CPUs ausgeführt werden. Damit lässt sich mit einer Laufzeit von etwa zwei Millisekunden auf einer Standard-Intel-CPU die Performance einer Mittelklasse-GPU erreichen, was die operative Flexibilität von Systemen entscheidend erhöht. So können konventionelle Industrie-PCs, die üblicherweise über keine performanten GPUs verfügen, nun problemlos für Klassifikationsaufgaben auf Basis von Deep Learning genutzt werden.

www.mvtec.com

Thematik: inVISION 3 2018
Ausgabe:
MVTec Software GmbH
www.mvtec.com

Das könnte Sie auch Interessieren

Anzeige

Vorfreude auf Control 2022

Vorfreude auf Control 2022

Vom 03. bis 06. Mai 2022 wird die 34. Control – Internationale Fachmesse für Qualitätssicherung – in Stuttgart stattfinden.

EMVA Webinar mit Continental Teves

EMVA Webinar mit Continental Teves

Das nächste EMVA Spotlight Webinar findet am Donnerstag, den 9. Dezember, ab 16:00 Uhr (CET) statt. Nuria Garrido López (Continental Teves AG) wird über ‚Änderungen und Lösungen für die optische End-of-Line-Inspektion in der Automobilindustrie‘ sprechen.

EMVA Young Professional Award 2022

EMVA Young Professional Award 2022

Der EMVA Young Professional Award wird auf der 20. EMVA Business Conference 2022 vergeben, die vom 12. bis 14. Mai in Brüssel, Belgien, stattfindet.

Video: EMVA Vision Pitches – Robot Vision

Video: EMVA Vision Pitches – Robot Vision

Teil der inVISION Days 2021 Konferenz waren die EMVA Vision Pitches, bei der sich interessante Unternehmen aus der Bildverarbeitung mit einem kurzen zehn-Minuten-Pitch vorgestellt haben.

Neues Beiratsmitglied für TriEye

Neues Beiratsmitglied für TriEye

Das israelische Startup-Unternehmen TriEye hat Hans Rijns (Bild), eine Führungskraft aus der Halbleiterbranche mit über 25 Jahren internationaler Erfahrung in den Bereichen F&E-Management, Innovation und Geschäftsstrategie, in seinen Beirat aufgenommen.

Vision-Branche auf starkem Kurs

Vision-Branche auf starkem Kurs

Mehr als 1,5 Jahre nach dem Ausbruch der Corona-Pandemie befindet sich der Industrial Technology Index nach einer Stabilisierung auf einem anhaltend hohen Niveau.

Lattice übernimmt Miramterix

Lattice übernimmt Miramterix

Lattice Semiconductor hat Mirametrix, Inc. übernommen, ein Softwareunternehmen, das sich auf fortschrittliche KI-Lösungen für Computer-Vision-Anwendungen spezialisiert hat.

Bild: Alteia
Bild: Alteia
15 Millionen Euro Finanzierung für Alteia

15 Millionen Euro Finanzierung für Alteia

Die Europäische Investitionsbank (EIB) und das in Toulouse ansässige Startup Alteia, das sich auf die Entwicklung von Software für künstliche Intelligenz spezialisiert hat, haben die Unterzeichnung einer Finanzierungsvereinbarung über 15Mio.€ bekannt gegeben.

Micro-Epsilon erweitert Vertriebsteam

Micro-Epsilon erweitert Vertriebsteam

Micro-Epsilon hat sein Vertriebsteam verstärkt. Seit Oktober unterstützen Marcus Gluth (Bild) in den Bereichen Weg- und Abstandssensoren, berührungslose IR-Temperatursensoren sowie Farbsensoren und Jens Höppner im Bereich 3D-Sensoren und Laser-Scanner den Außendienst des Unternehmens.

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige