Embedded Vision: Erfolg durch Zusammenarbeit

embedded Vision

Hard- und Software-Hersteller für Embedded Vision-Komponenten müssen an einem Strang ziehen, um den effektiven Einsatz dieser zukunftsweisenden Technologie zu fördern. Die Einsatzmöglichkeiten von Embedded Vision in Kombination mit Machine Learning sind enorm.

Viele zukünftige Anwendungen – ob im B2C oder im B2B Bereich - basieren auf Embedded Vision: kleine, integrierte Bildverarbeitungssysteme, die direkt aus Geräten heraus intelligent mitarbeiten und diese befähigen, zu sehen und zu verstehen. Möglich gemacht wird Embedded Vision durch kompakte, sehr leistungsstarke Rechnerplattformen, die zudem nur wenig Energie verbrauchen, und dank standardisierter Schnittstellen zu Bildsensoren immer mehr Bilddaten in Echtzeit verarbeiten können. Mithilfe von künstlicher Intelligenz werden die Bildverarbeitungssysteme noch leistungsfähiger: sie lernen selbst dazu. „Die Potenziale von Embedded Vision sind enorm. Das zeigt auch die wachsende Zahl der Aussteller und der Demos mit Embedded Vision Bezug, die auf vielen Ständen der Messe zu sehen sind“, resümierte Prof. Dr.-Ing. Axel Sikora, Messebeiratsvorsitzender der embedded world und Chairman der embedded world Conference. „Wir freuen uns, dass die VDMA Fachabteilung Machine Vision und die embedded world nun schon zum dritten Mal in Folge eine Podiumsdiskussion zum Thema Embedded Vision durchgeführt haben, mit uns gemeinsam einen Track auf der embedded world Conference organisiert hat und wir das Thema insgesamt vorantreiben.

 

“Komplett ablösen wird die Embedded Vision-Technologie traditionelle, PC- oder Smart Camera-basierte Bildverarbeitungssysteme nach Ansicht der Diskussionsteilnehmer in absehbarer Zeit nicht, doch sie bietet technisch und wirtschaftlich extrem interessante Lösungsmöglichkeiten in einer Vielzahl an Anwendungsfeldern. „Die Entwicklungsgeschwindigkeit der erforderlichen Komponenten von den Sensor-Boards über verschiedenste Embedded-Plattformen bis hin zur Bildverarbeitungssoftware für die Auswertung ist enorm hoch. Die Embedded Vision-Technologie hat dadurch inzwischen einen Leistungsstand erreicht, der in vielen Anwenderbranchen bereits heute den Einsatz effektiver Systeme erlaubt“, sagtet Dr. Klaus-Henning Noffz, Vorstandsvorsitzender der VDMA-Fachabteilung Industrielle Bildverarbeitung anlässlich der Podiumsdiskussion.

 

Ein wichtiger und notwendiger Schritt, um Anwendern den Einsatz dieser innovativen Technologie zu erleichtern, sei es jedoch, dass die Hersteller der erforderlichen Komponenten bei der Frage der Standardisierung übergreifend zusammenarbeiten: „Wenn Anwender sich Sensoren, Prozessoren, Software und weitere Bausteine auf dem Weg zu einer Lösung mühsam einzeln zusammenstellen müssen, wird der Erfolg von Embedded Vision nicht das Ausmaß erreichen, das potentiell in dieser Technologie steckt.“ Diverse Kamera-, Embedded Board- und Softwarehersteller haben dies allerdings bereits erkannt und kooperieren im Sinne der Nutzer.

 

Rückenwind erhält die Technologie durch die kontinuierlichen Weiterentwicklungen, sowohl im Bereich der Prozessoren als auch durch innovative Algorithmen und Methoden wie unter anderem bei den Themen Deep Learning oder Artificial Intelligence. Auf der Hardwareseite sorgen immer kleinere Rechner mit Multi-Core-Prozessoren und immer geringerem Energiebedarf für ausreichende Rechenleistung. Zunehmende Bedeutung kommt dem Thema Deep Learning beim Einsatz von Embedded Vision-Systemen zu, um beispielsweise Defekte zu klassifizieren. In Verbindung mit geeigneten Verfahren zur Bildvor- und -nachverarbeitung lassen sich nach Aussage von Dr. Olaf Munkelt, Managing Director der MVTec Software GmbH, selbst komplexe Bildverarbeitungsaufgaben effizient lösen. Die Diskussionsteilnehmer sind sich einig: Embedded Vision wird sich in zahlreichen Branchen zunehmend als erfolgreiche und wirtschaftliche Technologie für die Lösung von Bildverarbeitungsaufgaben etablieren.

Statements der Teilnehmer

Allied Vision Technologies GmbH

„Die größte Herausforderung bei der Anwendung effizienter Bildverarbeitungsfunktionen auf eingebettete Systeme ist die Kamera selbst mit all den Integrationsaufwendungen. Neuartige Kameramodule und -technologien werden es Embedded-Ingenieuren erleichtern, die NRE-Kosten deutlich zu senken. Gleichzeitig profitieren die Anwender von mehr Bildverarbeitungsmöglichkeiten direkt im Kameramodul, was die Ressourcenallokation auf der Host-Seite verbessert." Paul Maria Zalewski, Director, Product Management, Allied Vision Technologies GmbH

Congatec AG

Die Kernkomponente eines Embedded Vision Systems ist der Prozessor oder die Processing Board. Manche bezweifeln, dass kleine Embedded-Boards mit vermeintlich begrenzter Rechenleistung leistungsfähige PCs in anspruchsvollen Vision-Anwendungen ersetzen können.
„Angesichts der kontinuierlichen Entwicklung bezüglich Rechenleistung trotz geringer Baugröße, niedriger Leistung und Multicore-Prozessoren, die mehrere Softwareanwendungen ausführen können, werden hochintelligente Bildverarbeitungssysteme mit zentralisiertem Computing-at-the-edge eine Vielzahl von Volumenanwendungen ermöglichen, die in der Vergangenheit durch die Anforderungen und Kosten von speziellen PCs eingeschränkt waren. Bildverarbeitungssysteme, die auf einer soliden Analyse basieren, zeitsensible Netzwerke nutzen und Echtzeit-Leistung liefern, werden die nächste Generation von Produkten zu akzeptablen Preisen ermöglichen, und der Mehrwert wird durch die Digitalisierung von Informationen geschaffen." Jason Carlson, CEO, Congatec AG

MVTec Software GmbH

„Deep Learning auf Embedded Devices gewinnt im Markt immer mehr an Bedeutung. Wir sehen Deep Learning jedoch nicht als Lösung für alles, sondern als eine ideale ergänzende Technologie zur Lösung spezifischer Bildverarbeitungsanwendungen, z.B. zur Klassifizierung von Defekten. Durch die Kombination von Deep-Learning-Technologie mit anderen Ansätzen können komplexe Bildverarbeitungsaufgaben einschließlich Vor- Nachbereitung effizient gelöst werden. Daher ist ein umfassendes Toolset, das für eine Vielzahl von Embedded-Hardware-Architekturen zur Verfügung steht, wie es MVTec HALCON bereitstellt, von entscheidender Bedeutung, um Embedded-Vision-Lösungen effizient zu entwickeln und damit die Time-to-Market zu verkürzen." Olaf Munkelt, Managing Director, MVTec Software GmbH

ON Semiconductor Ltd

Künstliche Intelligenz - Maschinen, die selbst sehen und lernen. Von diesem Traum hören wir seit Jahren. Ist Deep Learning heutzutage wirklich so einfach und großartig, wie jeder sagt, oder sind die Erwartungen übertrieben? 
„Deep Learning ist nicht einfach, aber es hat bereits begonnen, Großartiges zu tun. Diese Systeme sind das Herzstück von neuen Transporterfahrungen mit autonomem Fahren. Sie entwickeln effizientere und hochwertigere Fertigungssysteme für die Inline-Produktprüfung. Sie vereinfachen das Einkaufserlebnis durch den Wegfall von Schlagen vor Kassen dank automatischem Bezahlen dank Gesichtserkennung. Es gibt noch viel mehr zu tun, aber der wirkliche Wandel vollzieht sich bereits jetzt durch die Verbesserung von Bildqualität und die Weiterentwicklung von künstlicher Intelligenz.” James Tornes, Vice President Systems and Software, Intelligent Sensor Group, ON Semiconductor Ltd

Downloads