KI Vision Kit

Embedded-Designplattform mit SoC-FPGA-Architektur
Kommt bei der Bildverarbeitung KI ins Spiel, muss oft eine leistungsfähige und teure Hardware verwendet werden. Der Ansatz des C-Vision-Kits besteht darin, eine flexible SoC-FPGA-Architektur mit einer performanten Vision Processing Unit (VPU) zu kombinieren und mit industriellen Kameras als Entwicklungsplattform bereitzustellen.

Bild 1 | Das C-Vision-Kit ist eine Designplattform für industrielle Anwendungen mit Embedded Vision und künstlicher Intelligenz (KI). Zwei Basler Dart-Kameras (l.o.) werden über das C-Vision-Adapterboard mit dem FPGA-System verbunden.
Bild 1 | Das C-Vision-Kit ist eine Designplattform für industrielle Anwendungen mit Embedded Vision und künstlicher Intelligenz (KI). Zwei Basler Dart-Kameras (l.o.) werden über das C-Vision-Adapterboard mit dem FPGA-System verbunden.Bild: Aries Embedded GmbH

Basis des C-Vision-Kits von Aries Embedded ist das System-on-Module (SoM) MCV, das auf der CycloneV-SoC-FPGA-Architektur von Intel PSG basiert. Für die Verbindung in die Außenwelt wird das SoM auf das MCVEVP-Trägerboard gesteckt. Zwei Basler dart-Kameras werden über das C-Vision-Adapterboard mit dem FPGA-System verbunden. Als Option kann eine mini-PCI-Express Karte zur zusätzlichen Erweiterung der Funktionalität eingesteckt werden. Die Verwendung einer VPU-Beschleunigerkarte mit Intel Movidius Myriad als Referenz ist zudem geplant.

FPGA-Plattformen

Um den steigenden Anforderungen an Bildverarbeitungsanwendungen Rechnung zu tragen, können leistungsfähigere CPU-Architekturen verwendet werden. Diese skalieren über die Taktfrequenz und die Anzahl der verfügbaren Rechenkerne. Alternativ lassen sich FPGA-Plattformen als Rechnerkerne einsetzen, da nicht jede Anwendung die Verwendung von gut ausgestatteten Multicore-Rechnern budgetiert. Dabei wird die Funktionalität von FPGAs durch den Entwickler vorgegeben. Die Implementierung von Kameras und Bildsensoren erfolgt sowohl über klassische Schnittstellen, wie Camera Link, als auch über aktuelle Schnittstellen, wie MIPI-CSI. Mit dem MCV-SoM setzt Aries auf die CycloneV-SoC-FPGA-Architektur von Intel PSG. In diesem Baustein sind zwei ARM-CortexA9-Kerne mit einem FPGA auf einem Chip verbunden. Sie vereinen die Vorteile von Rechnerarchitekturen mit denen von FPGAs. MCV wird durch aktuelle Versionen freier Software, wie U-Boot und Embedded Linux, unterstützt und bietet Yocto und Buildroot als Entwicklungsumgebung für die Softwareentwicklung. Im C-Vision-Kit wird das SoM auf seiner Entwicklungsplattform MCVEVP betrieben. Das Basisboard stellt alle im SoC-FPGA hart codierten Schnittstellen, Ethernet, RS232, CAN und USB auf Steckverbindern bereit, die FPGA -Pins stehen auf Pfostenleisten oder dem HSMC-Stecker, auf dem auch der C-Vision-Adapter steckt, zur Verfügung.

Bild 2 | Basis des C-Vision-Kits ist das System-on-Module MCV, das auf der CycloneV-SoC-FPGA-Architektur von Intel PSG basiert.
Bild 2 | Basis des C-Vision-Kits ist das System-on-Module MCV, das auf der CycloneV-SoC-FPGA-Architektur von Intel PSG basiert.Bild: Aries Embedded GmbH

Boardlevel-Kamera & KI-Beschleunigerkarte

Zum Einsatz kommt bei dem Kit auch die Boardlevel-Kameraserie dart von Basler. Die Produktfamilie umfasst zahlreiche Modellvarianten mit Auflösungen von 1.280×960 bis 2.592×1.944 Pixeln und Bildraten von maximal 60fps (bis 160fps für USB3.0). Die Kameras haben einen minimalen Platzbedarf von 27x27mm und stehen mit unterschiedlichen Objektivmounts zur Verfügung. Im C-Vision-Kit lassen sich bis zu zwei dart-Kameras über BCON for LVDS an das FPGA anbinden. Ergänzt wird das Kit zudem mit einer KI-Beschleunigerkarte, die in den miniPCI-Express-Slot des C-Vision-Adapterboards eingesteckt wird. Die Karte basiert auf der Movidius Myriad X VPU von Intel. Neben den dedizierten Vision-Funktionen verfügt diese über eine komplett einstellbare ISP-Pipeline für anspruchsvollste Bild- und Videoanwendungen. Sie unterstützt die hardwarebasierte Codierung für Videoauflösungen von bis zu 4K. Sie verfügt über einen Neural Compute Engine, sowie über einen dedizierten Hardware-Beschleuniger, um tiefe neuronale Netzwerkanwendungen auf dem System auszuführen. Softwareseitig wird die Beschleunigerkarte durch das OpenVino Toolkit von Intel unterstützt. Dieses kann plattformübergreifend auf verschiedenen Host-Betriebssystemen eingesetzt werden und besteht aus dem Deep Learning Deployment Toolkit (Modelloptimierer und Inferenzmaschine), optimierten Funktionen für OpenCV/OpenVX sowie über 15 Beispielcodes und vortrainierte Modelle. Training bedeutet in diesem Kontext, dass das System aus vorhandenen Daten lernt bzw. die Daten neu angelernt/erfasst, werden.

Aries Embedded GmbH

Das könnte Sie auch Interessieren

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.