Trends hin zu EV und KI laufen parallel
Embedded Vision und KI – ein ideales Paar
In der industriellen Bildverarbeitung, aber auch in Embedded-Vision-Systemen spielt künstliche Intelligenz eine immer wichtigere Rolle. Welche Vorteile und welchen Anwendernutzen KI hier bringt, erläutert Dr. Maximilian Lückenhaus, Director Marketing + Business Development bei MVTec Software.
Markt&Technik: Embedded Vision und KI in der Bildverarbeitung – was verbirgt sich hinter diesen Begriffen?
Dr. Maximilian Lückenhaus: In der Industrie, und zwar besonders in digitalisierten, hochautomatisierten Produktionsszenarien, kommen zunehmend Embedded-Systeme zum Einsatz. Dabei handelt es sich etwa um Handhelds, Smartphones, Tablets, Bildverarbeitungssensoren, intelligente Kameras, Sensoren oder Einplatinencomputer. Embedded-Geräte überzeugen gegenüber stationären PC-Systemen mit hoher Leistungsfähigkeit, geringem Platzbedarf und niedrigem Stromverbrauch. Zudem sind sie wesentlich preisgünstiger als stationäre Systeme.
Diese Vorteile führen zu einer stark steigenden Nachfrage nach Embedded-Technologien. Wird Machine-Vision mit der Embedded-Welt kombiniert, spricht man von Embedded Vision. In diesem Kontext erlangen Verfahren auf Basis von KI eine immer größere Bedeutung. Eine besonders wichtige Rolle spielt hierbei Deep Learning, das auf einer Architektur von neuronalen Netzen (Convolutional Neural Networks, CNN) aufbaut.
Welche Vorteile bietet Embedded Vision in Kombination mit Deep Learning?
Die KI-Technologie gilt als einer der wichtigsten Treiber für die rasante Entwicklung von immer leistungsfähigeren Embedded-Systemen. So lassen sich mit Deep Learning noch robustere Erkennungsraten erzielen und die Machine-Vision-Prozesse deutlich vereinfachen. Darüber hinaus ebnet Deep Learning den Weg für ganz neue Anwendungen, die so bislang nicht denkbar waren. Zudem sind mit Deep-Learning-Verfahren verschiedenste Fehler und Deformationen von Bauteilen identifizierbar.
Durch den gezielten Einsatz preisgünstiger Embedded-Systeme lässt sich schon früh im Produktionsprozess die Qualitätsprüfung auf ein neues Niveau heben. Überdies ist es möglich, Deep-Learning-basierte, hoch robuste Identifikationsalgorithmen in mobile, intelligente Sensoren zu integrieren. Tragen Mitarbeiter diese beispielsweise am Handgelenk, bleiben die Hände zum Greifen von Objekten frei. Dank der kompakten Bauform lassen sich Embedded-Systeme auch einfach für neue Anwendungen wie etwa in der Automatisierung der Landwirtschaft nutzen. So können beispielsweise Landmaschinen unkompliziert mit den Devices nachgerüstet werden.
Welche aktuellen Trends sehen Sie im Hinblick auf Deep Learning und Embedded Vision?
Hier beobachten wir die zunehmende Bedeutung sogenannter Deep-Learning-Beschleuniger. Denn wie alle KI-Technologien stellt auch Deep Learning enorm hohe Anforderungen an die Rechenleistung. Um die Algorithmen mit hohem Tempo auszuführen, benötigen Embedded-Systeme sehr leistungsfähige Hardware-Komponenten. Deep-Learning-Beschleuniger können als spezielle Module die Geschwindigkeit der entsprechenden Prozesse signifikant erhöhen.
Wie unterstützt MVTec als Machine-Vision-Anbieter seine Kunden in puncto Embedded Vision?
MVTec bietet Softwarelösungen, die speziell auf die Anforderungen von Embedded-Vision-Geräten zugeschnitten sind. Bei der Entwicklung unserer Produkte achten wir darauf, dass diese auf allen Plattformen eine optimale Performance erreichen. Das gilt auch für unsere Deep-Learning-basierten Softwarelösungen. Dabei sorgen wir für schnelle Implementierung und größtmögliche Kompatibilität.
So lässt sich unsere Bildverarbeitungssoftware Halcon inklusive ihrer Deep-Learning-Technologien standardmäßig ohne weitere Portierung auf Arm-basierten Plattformen einsetzen. Darüber hinaus ermöglichen Halcon und Merlic eine hohe Flexibilität bei der Konfiguration und Programmierung von Embedded-Vision-Anwendungen.
