- Anzeige -
- Anzeige -
- Anzeige -
Lesedauer: 6min
Embedded-AI-Kameras

Apr 15, 2020 | Technologie

Für Embedded-AI-Kameras, also Kameras die es ermöglichen neuronale Netze direkt auf Smart Kameras auszuführen, gibt es mittlerweile unterschiedliche Bedienkonzepte, die zum Training der neuronalen Netze angeboten werden.

Das Inspektionssystem Gixel AI beinhaltet ist in der Lage, innerhalb weniger Minuten aus einer kleinen Anzahl an Beispielen eine Genauigkeit auf Produktionsniveau zu erreichen. Bild: Gixel GmbH

Hersteller, wie z.B. Flir, IDS, NET oder Basler haben seit kurzem einen neuen Kameratyp im Programm, der es ermöglicht, neuronale Netze direkt auf einer intelligenten Kamera auszuführen. Damit das neuronale Netz trainiert werden kann, ist ein Datensatz nötig. Das Bildverarbeitungssystem hingegen wird klassisch programmiert. Dieser Übergang vom Programmieren zum Lernen stellt den Anwender aber bei der Bedienung vor neue Herausforderungen. Wie umfangreich muss der Datensatz sein, damit die relevanten Informationen enthalten sind? Was ist zu tun, wenn 2% Fehlklassifikation noch (viel) zu hoch sind? Wie kann ich die Robustheit erhöhen, damit das System auch bei Störeinflüssen bei voller Leistungsfähigkeit funktioniert? Wie kann auf geänderte Aufgabenstellungen flexibel reagiert werden? Nicht alle, am Markt verfügbaren Konzepte geben darauf eine Antwort und bieten umsetzbare Lösungen zu diesen Fragen.

Machine Vision as a Service

Folgende Konzepte, bzw. Lösungsvarianten werden derzeit angeboten:

a) Bildverarbeitungsbibliothek mit Deep-Learning-Funktionalität
b) Cloud Workflow: Daten hoch- und neuronales Netz herunterladen
c) Dienstleistung durch externe Experten
d) Machine Vision as a Service

Technisch betrachtet ist der Cloud Workflow die online Version der Bildverarbeitungsbibliothek mit Deep-Learning-Funktionalität. Ziel ist es hier, einem unerfahrenen Nutzer die Möglichkeit zu geben, mit möglichst wenigen Bilddaten ein neuronales Netz zu trainieren. Weil aber in einem kleinen Datensatz nicht alle notwendigen Informationen enthalten sind, wird mit einem technischen Trick gearbeitet, dem sogenannten Transfer Learning. Hierbei wird ein vorhandenes neuronales Netz auf eine neue Aufgabenstellung transferiert. Dazu wird typischer Weise lediglich die letzte vollvernetzte Schicht neu gelernt. Dafür sind nur wenige Minuten Trainingszeit notwendig und Datensätzen mit nur 100 Bildern können ausreichend sein. Nachteilig ist die erzielbaren Klassifikationsleistungen. Zum einen stehen dem Training aufgrund des kleinen Datenumfangs nur wenige Informationen zur Verfügung, zum anderen sind die ersten Schichten des neuronalen Netzes, die für die Informationsextraktion zuständig sind, nicht auf die neue Aufgabenstellung optimiert. Interessanter Weise stellen die Hersteller von Embedded-AI-Kameras einen entsprechenden Workflow zur Verfügung, teilweise auch als Cloudlösung, was aber die angesprochenen Probleme nicht löst.

Möchte man die Klassifikationsgüte oder Robustheit weiter steigern, lohnt es sich auf Expertenwissen zurück zu greifen. Technisch ist es das Ziel, ein neuronales Netz von Grund auf neu zu lernen. Wird dazu ein externer Dienstleister beauftragt, ist man im Projektgeschäft mit all seinen Vor- und Nachteilen (Reaktionszeit auf Änderungen, Mehrkosten…) konfrontiert. Das Fraunhofer Spin-Off Gixel bietet dagegen mit Machine Vision as a Service eine Alternative. Hierbei werden nicht nur die Daten in eine Cloud geladen, sondern die Embedded-Kamera selbst ist mit der Cloud verbunden. Dadurch wird auch die Erstellung des Datensatzes als Dienstleistung übernommen und entsprechend große Datensätze aufgebaut. Die externe Dienstleistung ist somit in einem Standardprodukt gekapselt und kann on Demand genutzt werden. Das Inspektionssystem Gixel AI besteht aus einem vorkonfiguriertem IPC optimiert für die Inferenz komplexer neuronaler Netze. Dieser wird vorkonfiguriert mit Touchscreen geliefert und lernt in wenigen Minuten die Klassifikationsaufgaben ein. Das Gixel AI Team übernimmt den weiteren Lernvorgang über das Internet. Während dem Einlernen vergehen typischer Weise vier Sekunden zwischen Bildaufnahme und Klassifikationsergebnis. Danach liegt die Klassifikationsgüte meist bereits auf Produktionsniveau. Ist der Lernvorgang abgeschlossen, kann die Verbindung zum Internet getrennt werden. Nachlernen durch erneute Anbindung an den Server ist jederzeit möglich.

Gixel AI kann entweder als Komplettlösung mit einem vorkonfigurierten IPC genutzt werden oder mit einer Embedded-AI-Kamera, welche temporär zum Einlernen mittels einer zusätzlichen Hardware mit der Gixel-Cloud verbunden wird. Als Alleinstellungsmerkmal steht das System bereits während der Einlernphase produktiv zur Verfügung. Dazu wird das Prüfergebnis während dem Einlernen in Echtzeit mit einer typischen Latenz von vier Sekunden in der Cloud berechnet. Der Anwender muss für Änderungen oder Neuerstellung einer Prüfaufgabe nur wenige Minuten lang Beispielbilder klassifizieren. Ist der Datensatz für die Aufgabenstellung ausreichend groß, wird das trainierte Neuronale Netz auf die Embedded-AI-Kamera geladen. Nun sind herstellerabhängig sehr hohe Frame-Raten möglich und eine Internetverbindung nicht mehr notwendig.

Fazit

Deep Learning ermöglicht bessere Bildverarbeitung und weniger Fehlklassifikationen, aber die Bedienbarkeit wurde bisher in der Praxis nicht gelöst. Machine Vision as a Service bietet hier einen neuartigen Ansatz, schnell und intuitive auf Prozessänderungen zu reagieren. Dadurch werden Embedded-AI-Kameras in der Anwendung beherrschbar und die Leistungsfähigkeit der Deep-Learning-Technologie steht jedem zur Verfügung.

Autor:
Firma: Gixel GmbH

News

Weitere Beiträge

Das könnte Sie auch interessieren

KI-Studie: Unternehmen gewichten Technologie und Qualifizierung gleich

Unternehmen mit KI-Projekten sind dann am erfolgreichsten, wenn die Qualifizierung der eigenen Mitarbeiter den gleichen Stellenwert wie Investitionen in intelligente Technologien hat. Dazu gehört auch das Schaffen einer Lernkultur, die diese Qualifizierungsmassnahmen trägt. Das ist das Kernergebnis einer im Auftrag von Microsoft durchgeführten internationalen Studie. In einer Datenanalyse wurden dafür rund eine halbe Million englischsprachiger Beiträge ausgewertet und zusätzlich im März 2020 Interviews mit rund 12.000 Fach- und Führungskräften aus 20 Ländern geführt.

mehr lesen

Startups für KI und das Internet der Dinge

Vinci Energies in Deutschland reagiert auf den digitalen Wandel mit einem Ausbau der eigenen Startup-Offensive: dem Digitalschmiede Startup-Radar. Ziel der Initiative ist es, DACH-weit Startups zu identifizieren, die durch innovative Technologien und Lösungen das Leistungsspektrum der Vinci Energies Marken ergänzen können. Als Systemintegrator setzt Vinci Energies auf enge Kooperationen mit jungen Firmen, um ihre Expertise in Kundenprojekte einzubinden und so ein innovatives Ökosystem zu schaffen, das Kundenunternehmen bei immer komplexer werdenden Anforderungen unterstützt. Unter anderem sind Hellsicht und S O NAH schon Teil dieser Kooperation, die insgesamt bereits mehr als 20 feste Startup-Partnerschaften umfasst.

mehr lesen

Künstliche Intelligenz direkt an die Maschine bringen

Bisher haben industrielle Anwendungen der künstlichen Intelligenz (KI) aufgrund von Latenzzeiten und hohen Datenmengen bei der Cloudanbindung nur bedingt überzeugt. Entscheidend ist darum, KI direkt an die Maschine zu bringen und dort – direkt an der Quelle – Daten in Echtzeit zu interpretieren. Mit der Plattform Scraitec tut der KI-Spezialist Resolto genau dies, beispielsweise bei einem Haushaltsgeräte- oder Automobilhersteller.

mehr lesen

Teil 3 – Wie effizient ist das autonome System?

Die Arbeitsgemeinschaft Autonome Systeme der VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik hat zehn Grundsatzfragen zum Thema künstliche Intelligenz und autonome Systeme formuliert. Den Diskurs zu diesen Kernfragen im Umgang mit KI bildet die IT&Produktion einer Artikelserie ab. In diesem Interview erörtert Dr. Eckhard Roos, Leiter Industry Segment Management Process Automation bei Festo und Mitglied des Vorstands der VDI/VDE-GMA, wie effizient ein autonomes System ist.

mehr lesen

Schutz der Privatsphäre und KI in Kommunikationssystemen

Alle zwei Jahre vergeben der VDE, die Deutsche Telekom sowie die Städte Friedrichsdorf und Gelnhausen den mit 10.000 Euro dotierten Johann-Philipp-Reis-Preis an einen Nachwuchswissenschaftler. Dieses Jahr geht er an Prof. Dr.-Ing. Delphine Reinhardt von der Georg-August-Universität Göttingen und an Dr.-Ing. Jakob Hoydis von den Nokia Bell Labs in Nozay, Frankreich. Die beiden Preisträger teilen sich die Auszeichnung und damit das Preisgeld.

Infor bringt Infor Coleman AI auf den Markt

Infor, Anbieter von branchenspezifischer Business-Software für die Cloud, hat bekanntgegeben, dass die Plattform Infor Coleman AI für Embedded-Machine-Learning-Modelle ab sofort verfügbar ist. Sie bietet die Geschwindigkeit, Wiederholbarkeit und Personalisierung, die Unternehmen benötigen, um KI vollständig zu operationalisieren.