Elektroniknet Logo

Mehr Anwendungen durch Embedded Vision

Embedded-Module statt Bildverarbeitungs-PCs


Fortsetzung des Artikels von Teil 1

Horst Mattfeldt, Matrix Vision: Neue Chancen durch GPUs und KI-Beschleuniger

Horst Mattfeldt, Matrix Vision
Horst Mattfeldt, Matrix Vision: »Außer Frage steht, dass viele kleine Embedded-Systeme mittlerweile ausgewachsene Systeme auf PC-Basis ersetzen können.«
© Matrix Vision

Die Embedded-Vision-Technik entwickelt sich sehr dynamisch und eröffnet daher immer mehr Möglichkeiten. Horst Mattfeldt, Head of Embedded Systems bei Matrix Vision, erläutert an Beispielen Näheres.


Markt&Technik: Wie ist der aktuelle Entwicklungsstand im Bereich Embedded Vision?

Horst Mattfeldt: Bei Embedded Vision hat vor allem die ARM-Prozessortechnik eine hohe Relevanz. Aus unserer Sicht spielen aber auch andere Architekturen eine wichtige Rolle. Anhand von einzelnen „Leuchttürmen“ zeigt sich, wie dynamisch der Bereich Embedded Vision ist.

Nvidia und Raspberry haben starke neue Produkte vorgelegt, die jeweils Maßstäbe bei Leistung versus Preis sowie geringem Energieverbrauch setzen. So hat der Raspberry 4 eine Vierkern-ARM-CPU mit jeweils bis zu 1,5 GHz, die sich für Bildverarbeitung sehr gut eignet. Zusätzlich stehen die benötigten Schnittstellen für Kameras und Daten-Ein-/Ausgänge bereit.

Interessant ist dabei, dass es für den Raspberry kompatible, langlebige sogenannte Compute-Module gibt. Das Ganze mit einem kundenspezifischen Carrier-Board, also absolut für Anwendungen in der Industrie geeignet.

Bei Nvidia haben wir mittlerweile bis zu acht Kerne mit bis zu 2,5 GHz, eine leistungsfähige GPU etwa für CUDA-Processing sowie spezielle Hardware für die Beschleunigung von Anwendungen im Bereich künstliche Intelligenz.


Inwieweit können heutige Embedded-Vision-Systeme Bildverarbeitungs-Aufbauten auf PC-Basis ersetzen?

Dass viele kleine Embedded-Systeme mittlerweile ausgewachsene Systeme auf PC-Basis ersetzen können, steht außer Frage. Zusätzlich haben die in manchen Embedded-Plattformen integrierten GPUs oder Hardware-Beschleuniger für KI erhebliches Potenzial für neue Lösungen.


Auf welche Weise engagiert sich Ihr Unternehmen in Sachen Embedded Vision?

Konkret bieten wir Kameramodule mit den bekannten hochwertigen IMX-Bildsensoren von Sony an, die die Bilddaten via PCI Express latenzfrei per DMA direkt und ohne CPU-Last in den Speicher der Rechner senden können. Wir erreichen Übertragungsleistungen, die je nach Konfiguration deutlich über USB3 und MIPI liegen, und dies in Kombination mit niedrigem Energieverbrauch. Ein zusätzlicher Vorteil der Kameras ist, dass wir GenICam-kompatible Bilddaten und Vorverarbeitung bereits in der Kamera machen, also nicht auf die SoC-spezifische (und üblicherweise closed source) ISP (image sensor pipeline) angewiesen sind.

Mit unserem Standard-konformen Bildeinzug „mvImpact Acquire“ stellen wir für alle Plattformen und Betriebssysteme (auch für Intel und Windows) den funktionsgleichen Bildeinzug zur Verfügung, so dass Anwender reibungslos migrieren können, ohne sich mit den Details der einzelnen Plattformen beschäftigen zu müssen. Das bedeutet, dass die Anwendungen der Kunden problemlos auf neue Plattformen „umziehen“ können.

Bei der Auswahl des passenden Embedded-Moduls stehen wir beratend und mit speziellen Angeboten zur Seite. Beispielhaft seien initial SMARC-Module, COM-Express-Module auf der Intel-Rechnerseite, aber auch NVIDIA-ARM-SoCs genannt. Wir wissen natürlich, dass dies nicht „alle“ erhältlichen Systeme sind. So ist, wie erwähnt, auch der Raspberry 4 eine sehr gut geeignete Plattform.

Ebenso ist von Vorteil, dass existierende Third-Party-Bibliotheken wie etwa Halcon von MVTec unterstützt werden. Hilfestellung bieten wir unseren Kunden bei der Nutzung der oben erwähnten KI-Module sowie bei der Erstellung kundenspezifischer Carrier-Boards.

Anbieter zum Thema

zu Matchmaker+

  1. Embedded-Module statt Bildverarbeitungs-PCs
  2. Horst Mattfeldt, Matrix Vision: Neue Chancen durch GPUs und KI-Beschleuniger
  3. Carsten Traupe, IDS Imaging Development Systems: SoC und SoM befeuern den Fortschritt
  4. Jan-Erik Schmitt, Vision Components: Auf einem ausgereiften, hohen Niveau
  5. Stephan Hahn, Stemmer Imaging: Der Schlüssel zu Deep Learning
  6. Axel Krepil, Framos: Embedded Vision gibt Maschinen Entscheidungshilfe
  7. Oliver Helzle, hema electronic: Daten-Manager für Kameras und Sensoren

Verwandte Artikel

FRAMOS GMBH, STEMMER IMAGING AG, IDS Imaging Development Systems GmbH

TW Automa EBV Sept21