Die Steigerung bzw. Verbesserung der Produktivität und Qualität sind maßgebliche Treiber für den Einsatz von künstlicher Intelligenz (KI) in der Produktion. In der Qualitätssicherung kann KI beispielsweise im Bereich der visuellen Oberflächenanalyse eingesetzt werden, um eine Oberfläche auf Kanten, Einschüsse und sonstige Mängel in der Lackierung, bei den Schweißnähten oder im Guss zu überprüfen. Ohne KI müssen Mitarbeiter diese Mängel in der Regel mit bloßem Auge erkennen, was nicht selten zu vermeidbaren Fehler und Übermüdung führt.
Automatisierte Oberflächenanalyse: Der Algorithmus lernt, worauf es ankommt
Um einem Algorithmus beizubringen, was gut und was schlecht ist, sprich, die Qualität einer Objektoberfläche zu bewerten, sind in der Regel tausende Bilder nötig, die entsprechend klassifiziert werden müssen. Der Algorithmus lernt dabei eigenständig anhand von neuronalen Netzen. Später kommt es vor allem auf die Geschwindigkeit der Bildverarbeitung an, insbesondere dort, wo die Qualität in Echtzeit erfasst und überprüft werden soll. Wird ein Objekt auf einem Fließband befördert, müssen Algorithmen in der Regel mindestens zehn Bilder auswerten, um eventuelle Fehler zu entdecken. Hieraus resultiert eine Geschwindigkeit von mehr als 30 Bildern (Frames) pro Sekunde! Kamerasysteme erzeugen rund 400 Frames pro Sekunde, doch herkömmliche Prozesse verarbeiten lediglich einen Bruchteil davon. Höhere Verarbeitungsraten sind nur mit entsprechenden Beschleunigerchips bzw. -karten möglich.
Qualitätsprüfung in Echtzeit: Mit Googles Coral-Beschleuniger profitieren Unternehmen von vortrainierten Modellen
Kontrons KI-Plattform AI-PITX-100-GC setzt auf einem M.2-Modul mit Googles Coral-Beschleuniger für das Softwareökosystem TensorFlow Lite auf und ermöglicht bis zu 100 Frames pro Sekunde. TensorFlow Lite gehört derzeit zu den wichtigsten Open-Source-Plattformen für KI und dafür gibt es gute Gründe: Die Algorithmen der Plattform basieren auf riesigen Datenmengen, wie sie nur großen Technikkonzernen offenstehen. Bereits angelernte Netze machen es einfach, Algorithmen mit eigenen Daten den individuellen Anwendungsfall trainieren zu lassen.
Sämtliche Anwendungen von TensorFlow Lite lassen sich direkt in die Kontron KI-Plattform AI-pITX-100-GC implementieren und auf dieser Grundlage lassen sich Anwendungen mit neuronalen Netzen und Deep Learning entwickeln – zum Beispiel zur Objekterkennung oder Qualitätssicherung von Objekten. Mit Hilfe gut dokumentierter Beispiele können Anwender schnell und einfach in die Testphase starten. Ergebnisse aus abgeschlossenen Projekten zeigen, dass sich auf Basis bestehender Algorithmen schnell erste Erfolge erzielen lassen.
Kontrons KI-Plattform: Geringer Aufpreis, hohe Beschleunigung
Kontron Ki-Plattform AI-pITX-100-GC ist eine kostengünstige Alternative, um Gateways aufzusetzen. Die Plattform bietet mehrere USB-Schnittstellen und leistungsfähige Ports, an die sich Kameras für die visuelle Inspektion anschließen lassen. Der Aufpreis für eine Beschleunigung fällt dabei vergleichsweise gering aus. Grob geschätzt gibt es für zehn Prozent Aufpreis des CPU-Boards die zehnfache Leistung. In vielen Anwendungen lässt sich so mit geringer Investition ein erheblicher Sprung bei der Objekterfassung realisieren.
Die TPU unterstützt kleine und Low-Power-Anwendungen von 2 bis 4 TOPS pro Watt. Vor allem bei Umgebungstemperaturen von 50 °C und mehr ist die niedrige Leistungsaufnahme entscheidend. Das betrifft zum Beispiel die Inspektion von Metallguss, denn dort müssen Geräte einem möglichst hohen Temperaturbereich widerstehen. Grundsätzlich haben USB-Kameras eine begrenzte Kabellänge, die Rechnerplattform muss sich also in räumlicher Nähe befinden. In Zukunft wird es allerdings möglich sein, die Kameras über Power over Ethernet (PoE) zu verbinden, sodass höhere Distanzen ohne Kabel überbrückt werden können.
{{comment.comment}}