Künstliche Intelligenz in der Sensorik

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Mit VisionPro Deep Learning 2.0 stellt Cognex seine neueste Deep-Learning-basierte Software zur Bildanalyse vor, die speziell für die Fabrikautomatisierung entwickelt wurde. Eine grafische Benutzeroberfläche vereinfacht das Trainieren des neuronalen Netzwerks.

Mit den AX Smart Cameras präsentiert Baumer seine ersten smarten Industriekameras. Diese verbinden Nvidia Jetson Nano bzw. NX Module mit Sony CMOS-Sensoren zu einer frei programmierbaren Bildverarbeitungsplattform für Industrie-4.0- und KI-Anwendungen.

Wenn es um Podiumsplätze geht, sind Millisekunden und Millimeter entscheidend. Diese Feinheiten sollen für Trampolin-Trainer und -Sportler des Deutschen Turner-Bundes (DTB) zukünftig über ein neues Projekt, welches auf einem bildbasierten System von Simi Reality Motion Systems basiert, visualisiert und dokumentiert werden. Für die passenden Videoaufnahmen sorgen Industriekameras von Matrix Vision.

Durch den Einsatz von Self-Organizing Maps (SOMs), einer Art von neuronaler Netze, haben Industrial Analytics Labs und Optimum eine neue Methode entwickelt, um Fehlerzustände zu erkennen, ohne diese vorher gesehen zu haben.

Um bei anspruchsvollen (Embedded) Vision-Anwendungen ein optimales Ergebnis zu erzielen und um für zukünftige Anforderungen gerüstet zu sein, spielen ein Systemaufbau mit hoher Bandbreite sowie die Unterstützung leistungsfähiger KI-Anwendungen eine wichtige Rolle. Das Embedded Modul TQMx110EB von TQ deckt diese Faktoren vorbildlich ab.

Klassische Bildverarbeitung oder smarte Vision-Sensoren ist in vielen Anwendungen die Gretchenfrage. Es gibt aber noch weitere Aspekte, denn mit klassischer Bildverarbeitung lassen sich viele Anforderungen nicht so umsetzen, dass damit auch preissensitive Applikationen erreichbar sind. Neuronale Netze sowie KI eröffnen hier neue Wege. Hinzu kommt, dass die Anwendungen nicht unbedingt im separaten Rechner ablaufen, der Trend geht in Richtung Embedded Vision und Edge.