Reiner Grübmeyer, Director Product Management Systems & Software bei Kontron
Inhaltsverzeichnis 1. Hürden auf dem Shopfloor überwinden 2. Visuelle Inspektion automatisieren 3. Deutlich mehr Performanz bei der Bildverarbeitung 4. Gut für Innovation
Ingenieure und Entwickler im Produktionsumfeld stehen beim Einstieg in AI-Themen rund um Deep Learning, die auf neuronalen Netzwerken basieren, oft vor erheblichen Herausforderungen. Gerade hier muss die Edge-Elektronik dafür robust funktionieren und einfach vor Ort nutzbar sein. Kontron hat deshalb eine Plattform entwickelt, mit der sich die AI-Nutzung deutlich vereinfacht. Die kompakte Geräteplattform besteht aus einem M.2-Modul mit dem Google-Coral-Beschleuniger-Chip für das Software-Ecosystem TensorFlow-Lite auf einem 2,5-Zoll-pITX-Single-Board-Computer mit dem NXP i.MX8M-Prozessor. Noch im ersten Quartal 2021 soll ein Box-PC-Produkt verfügbar sein, das auf dem Google-Coral-M.2-Modul integriert ist und auf einer Intel-Atom- Plattform basiert. Industrietauglichkeit und Robustheit standen auf der Entwicklungsagenda ganz oben. So lässt sich die NXP-basierte AI-Plattform für den Betrieb in einem hohen Temperaturbereich von -40 bis +85 °C nutzen. Zudem ist sie für eine hohe mechanische Belastbarkeit ausgelegt und trägt als verlustleistungsarme Lösung zur Nachhaltigkeit bei.
Kontron bietet Web-Panel mit NXP-i.MX8M-Prozessor
Hürden auf dem Shopfloor überwinden
Für AI-Aufgaben rund um die Bildverarbeitung sind Kamerasysteme notwendig. In aller Regel haben entsprechende USB-Kameras eine begrenzte Kabellänge, daher muss sich die Rechnerplattform in räumlicher Nähe befinden. Perspektivisch könnte die Verbindung der Kameras auch mit Power over Ethernet (PoE) erfolgen, um höhere Distanzen zu überbrücken – und ohne dass ein getrenntes Stromkabel nötig ist. Die Dedicated Tensor Processing Acceleration Unit (TPU) ermöglicht Small- und Low-Power-Applikationen von 2 TOPS/W bis hin zu 4 TOPS (trillion operations per second). Insbesondere bei hohen Umgebungstemperaturen von über 50 °C – wie bei der Inspektion von Metallguss – ist der niedrige Energieverbrauch essentiell: Hier sollten Geräte eine möglichst geringe Temperaturentwicklung aufweisen, um einem hohen Temperaturbereich widerstehen zu können. Nicht nur aus Sicherheitsgründen, sondern auch wegen des hohen Performancebedarfs wird im Produktionsumfeld meist AI-Funktionalität in Edge-Komponenten vor Ort verlagert, anstatt die Datenerhebung und -verarbeitung über die Cloud abzubilden. Mit der AI-Plattform lassen sich individuelle Systeme entwickeln, die diese Anforderungen erfüllen.
Visuelle Inspektion automatisieren
Zu den wichtigsten Einsatzgebieten von AI-Algorithmen gehört derzeit der Bereich Qualitätssicherung, in dem eine ganze Reihe von Aufgaben automatisiert werden können, die bisher erfahrenen Fachkräften vorbehalten waren. Dazu zählt z.B. die visuelle Inspektion von Oberflächen oder die Überprüfung, ob beispielsweise alle Komponenten eines Produkts korrekt montiert sind. Dabei lernen Algorithmen anhand von Bilddaten, die entsprechend gelabelt sind. Auch im Umfeld von Smart Factory und Predictive Maintenance unterstützt Deep Learning rund um die Bilderkennung dabei, frühzeitig Probleme zu erkennen. Entsprechende Einsatzszenarien gibt es beispielsweise in der Automobilindustrie, wo vergleichsweise günstige Verschleißteile wie Roboterschweißzangen überwacht werden. Durch die rechtzeitige Verschleißerkennung lassen sich teure Bandstillstände vermeiden. Entsprechende Lösungen sind allerdings auf eine hohe Performance bei der Bilderkennung angewiesen. Hier gilt es, möglichst viele Bilder (Frames) pro Sekunde zu verarbeiten. Kamerasysteme erzeugen im Schnitt zwar etwa 400 Frames pro Sekunde, allerdings verarbeiten herkömmliche Prozessoren nur einen Bruchteil an Bildern. Die AI-Plattform von Kontron nutzt deshalb die Beschleunigerkarte Google Coral Edge TPU, um höhere Verarbeitungsgrade zu gewährleisten.
