Künstliche Intelligenz in der Sensorik

Bild: Euresys SA
Bild: Euresys SA
Deep Learning Bundle for Object Localization and Identification

Deep Learning Bundle for Object Localization and Identification

The Deep Learning library EasyLocate completes a range of image processing and analysis libraries that are in regular use with an extensive user base, mostly machine manufacturers who supply the semiconductor and electronics industries. It will be launched as part of the Open eVision 2.15 software of Euresys and can be used to locate and identify objects, products, or defects.

mehr lesen
Bild: SSV Software Systems GmbH
Bild: SSV Software Systems GmbH
Ende-zu-Ende Technologie-Stack mit Funktechnik

Ende-zu-Ende Technologie-Stack mit Funktechnik

Unzählige IoT-Sensoranwendungen streamen Rohdaten in die Cloud, um die dort vorhandenen Möglichkeiten der Datenverarbeitung zu nutzen. Neben den Sicherheitsbedenken hat dieser zentrale Lösungsansatz im industriellen Umfeld auf Grund der Bandbreiten-, Latenz- und Verfügbarkeitsprobleme aber auch funktionale Nachteile. Ein Cobot Voice/Gesture Interface für die Zusammenarbeit zwischen Menschen und Robotern, Qualitätssicherung per Machine Vision, Condition Monitoring mit Echtzeit-Anomalieerkennung und fahrerlose Transportsysteme (FTS) lassen sich mit einer einfachen Sensor-to-Cloud-Verbindung nicht realisieren. Hier ist zusätzlich auch eine Datenauswertung vor Ort erforderlich.

mehr lesen
Bild: SSV Software Systems GmbH
Bild: SSV Software Systems GmbH
Maschinenlernen eingebettet

Maschinenlernen eingebettet

Bisher wird der gewünschte Zusammenhang zwischen den jeweiligen Eingangs- und Ausgangsdaten einer Automatisierungsbaugruppe mittels wissensbasierter Regeln in einer Hoch- oder SPS-Programmiersprache kodiert und auf einem eingebetteten System ausgeführt. In Zukunft lassen sich Embedded Systeme in der Automatisierung auch per Supervised Machine Learning für eine bestimmte Aufgabenstellung trainieren.

mehr lesen
Bild: DFKI GmbH
Bild: DFKI GmbH
Radarsensoren für das sichere autonome Fahren

Radarsensoren für das sichere autonome Fahren

In dem Forschungsvorhaben AuRoRaS – Automotive Robust Radar Sensing – sollen neue Simulationsverfahren und Methoden der Künstlichen Intelligenz (KI) entwickelt werden, um Radarsysteme effizienter und das autonome Fahren sicherer zu machen. Drei Partner aus Forschung und Technologie arbeiten im Rahmen des Förderprogramms KMU-innovativ des Bundesministeriums für Bildung und Forschung (BMBF) daran, die Messqualität von hochauflösenden Radarsensoren dahingehend zu verbessern.

mehr lesen
Bild: Becom Systems GmbH
Bild: Becom Systems GmbH
Höhere Erkennungsraten mit Multi-ToF-Plattform und Deep Learning

Höhere Erkennungsraten mit Multi-ToF-Plattform und Deep Learning

Die Evotegra GmbH begleitet Deep Learning Projekte von der Definition der Datenstrategie bis zur tiefen Systemintegration auf der jeweiligen Zielhardware. Ein sehr gutes Beispiel hierfür ist die Multi-ToF-Plattform von Becom, bei der verschiedene Sensoren an einen Nvidia CPU+GPU basierten Hub angebunden werden können. Neben Time-of-Flight (ToF) Daten,...

mehr lesen
Bild: SSV Software Systems GmbH
Bild: SSV Software Systems GmbH
Sensorintelligenz vor Ort

Sensorintelligenz vor Ort

      Zahlreiche Angebote Relativ neu sind Predictive-Maintenance-Lösungen auf Grundlage aktueller Zustandsdaten, die laufend gemessen und mit Hilfe entsprechender Software ausgewertet werden. Daraus sind zahlreiche 'Predictive Maintenance-as-a-Service'- Angebote oder ähnliche Services für Maschinenbauer und -betreiber entstanden. Die dabei in der Cloud...

mehr lesen
Bild: Igus GmbH
Bild: Igus GmbH
Intelligenter Sensor misst Verschleiß von Lineargleitlagerfolien

Intelligenter Sensor misst Verschleiß von Lineargleitlagerfolien

Ein Sensor in den Lagerfolien misst die individuell bestimmbare Verschleißgrenze und schlägt Alarm, wenn diese erreicht ist. So lässt sich die Wartung bereits vorab planen und ein unerwarteter Anlagenausfall vermeiden. Wann muss ich mein Lager wechseln? Diese Frage stellen sich Betreiber von Anlagen, die Portale und Linearsysteme rund um die Uhr im Einsatz...

mehr lesen

Machine Learning für Sensoren

Forschungsprojekt AlfES am Fraunhofer IMS Machine Learning für Sensoren Mikrocontroller sind in fast jedem technischen Gerät verbaut - von der Waschmaschine über das Blutdruckmessgerät bis hin zu Wearables. Mit der Machine-Learning-Bibliothek AIfES haben Forscher am Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS eine künstliche...

mehr lesen

Das könnte Sie auch Interessieren

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

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.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

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.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Bild: Fraunhofer IOSB-INA
Bild: Fraunhofer IOSB-INA
Fraunhofer entwickelt Lösungen für Einsatz künstlicher Intelligenz in industrieller Produktion

Fraunhofer entwickelt Lösungen für Einsatz künstlicher Intelligenz in industrieller Produktion

Wie macht die intelligente Nutzung von Daten Fabriken fit für die Zukunft? Im Projekt ‚Datenfabrik.NRW‘ erarbeiten vier Fraunhofer-Institute (Entwurfstechnik Mechatronik IEM, Materialfluss und Logistik IML, Optronik, Systemtechnik und Bildauswertung IOSB und Intelligente Analyse- und Informationssysteme IAIS) konkrete Anwendungen für den vielfältigen Einsatz von künstlicher Intelligenz in der Produktion und setzen diese in realen Produktionsumgebungen bei Claas und Schmitz Cargobull um. Das Land Nordrhein-Westfalen fördert das Zukunftsprojekt mit 9,2Mio.€. Die Kompetenzplattform KI.NRW nimmt die Datenfabrik.NRW als KI-Flagshipprojekt in ihr Netzwerk auf.

Bild: Arrow Central Europe GmbH
Bild: Arrow Central Europe GmbH
Guardian Technologies gewinnt Innovators Award von Arrow Electronics

Guardian Technologies gewinnt Innovators Award von Arrow Electronics

Das KI-Startup Guardian Technologies aus Wangen im Allgäu ist der diesjährige Gewinner des Innovator Awards von Arrow Electronics. An dem Wettbewerb haben mehr als 50 Technologie-Startups aus Deutschland, Österreich und der Schweiz teilgenommen. Zwölf Unternehmen sind in das Finale eingezogen. Das im Jahr 2020 gegründete Unternehmen Guardian Technologies ist ein Hersteller von kompakten, KI- und Kamera-basierten Systemen, die Brände schnell entdecken und löschen können.