Modulare Edge-AI-Vision-Plattform für komplexe Anforderungen

Das Wahtari-Ökosystem bietet eine umfangreiche Hard- und Software-Plattform für KI-basierte Computer-Vision-Lösungen. Am Beispiel der nCam, die ebenso wie die Plattform einem offenen Architekturkonzept folgt, wird gezeigt, wie die modularen Komponenten zu einer individuellen Problemlösung zusammengestellt werden können.
Das offene und modulare Architekturkonzept der nCam ermöglicht es, eigene Hard-/Software auch mit Komponenten externer Anbietern zu kombinieren, um so eine individuelle Edge-AI-basierte Machine-Vision-Lösung zu kreieren.
Das offene und modulare Architekturkonzept der nCam ermöglicht es, eigene Hard-/Software auch mit Komponenten externer Anbietern zu kombinieren, um so eine individuelle Edge-AI-basierte Machine-Vision-Lösung zu kreieren.Bild: Wahtari GmbH

Um die KI-basierte Auswertung und Monetarisierung visuell gewonnener Daten einwandfrei einsetzen zu können, bedarf es der geschickten Zusammenstellung zahlreicher Hard- und Softwareelemente sowie der Ausbalancierung konkurrierender Anforderungen. Das Angebot oft inkompatibler oder nur mit entsprechendem Know-How implementierbarer Einzelkomponenten von unterschiedlichen Herstellern aus verschiedenen Gebieten wie Bildverarbeitung (Objektive, Belichtung, Bildsensoren, Steuerung, etc.), Hardware (Gehäuse, Prozessor, KI-Beschleuniger, Industrie- Schnittstellen etc.) und Software (Betriebssystem, Software und KI-Frameworks, Sicherheitstools, Datenverschlüsselung, Vernetzung, etc.) sowie die Notwendigkeit von (Langzeit-)Support und Wartung (z.B. Sicherheitsupdates, Softwareaktualisierungen) zeigen die Komplexität, denen sich sowohl Visionanbieter als auch Anwender gegenübersehen. Wahtari hat auf diese Anforderungen reagiert und ein umfangreiches Deep Learning Ökosystem aus Hard- und Software entwickelt, das von einfach und dynamisch verwendbaren Einzelmodulen bis hin zu branchenübergreifenden Komplettlösungen alles aus einer Hand bietet. Aufgrund des offenen und modularen Architekturkonzepts unterstützt Wahtari vielfältige Komponenten von Drittanbietern, wie z. B. Industrie-Sensoren von Allied Vision. Dies ermöglicht die einfache Kreation neuer Smart Vision-Lösungen.

Bis zu drei Movidius Myriad X VPUs

Ein Kernprodukt des Wahtari-Ökosystems bildet die Wahtari neuralCam (nCam). Mit bis zu drei integrierten Intel Movidius Myriad X VPUs und einer auf der Intel x86_64-Architektur basierenden CPU ist die nCam Plus derzeit eines der kompaktesten High-End-Vision-AI-Systeme auf dem Markt. Künftig wird die Kamera auch Chips und Prozessoren von Nvidia unterstützen. In einem stabilen Aluminiumgehäuse mit ausgefeiltem Kühlsystem leistet die nCam höchste Erkennungsperformance im unteren Millisekundenbereich. Die offene Architektur der Hardware ermöglicht die freie Auswahl zwischen verschiedenen motorisierten oder fixen Objektiven, schaltbaren oder festen IR-Filtern, Beschleuniger-Chips, integrierten oder ansteckbaren Beleuchtungen, sowie an den jeweiligen Einsatzort und Anwendung anpassbare Gehäuse. Die Integration in bestehende Anlagekonzepte wird durch zahlreiche Schnittstellen und Industriestandards (z.B. OPC UA) erleichtert und ermöglicht geringste Latenzen.

Kooperation mit Allied Vision

Die in der nCam eingesetzte Alvium-Kameraserie von Allied Vision folgt der gleichen Logik der flexiblen Modularität. Basierend auf der Alvium Technologie bietet die Kameraserie zahlreiche Modelle mit Bildsensoren von 0,5 bis 20,4MP Auflösung. Mit minimalem Entwicklungsaufwand können verschiedene Kameras mit unterschiedlichen Sensoren getestet, diverse Auflösungsvarianten eines Systems entwickelt oder bestehende Systeme auf neueste Sensoren umgerüstet werden. Um die Flexibilität beim Integrieren in ein neues System noch weiter zu erleichtern, kann Wahtari zwischen verschiedenen Gehäusevarianten (Platine und offenes Gehäuse) sowie Objektivfassungen (C-Mount, CS-Mount oder S-Mount) wählen.

Hauseigenes IoT-Betriebssystem

Die nCam wird mit dem hauseigenen IoT-Betriebssystem nOS ausgeliefert, welches als Teil des Wahtari-Ökosystems über die vorinstallierte grafische Benutzeroberfläche nVision bedient werden kann. Das Linux-basierte und auf IT-Sicherheit ausgelegte nOS erlaubt die einfache Implementierung eigener Funktionen und Apps mittels Docker, ein Tool zur Containerisierung von Anwendungen. Die auf Anfrage vorinstallierte nGin SDK vereinfacht das Ansprechen der nCam-Funktionen noch weiter und ermöglicht die hybride Ausführung von Bildverarbeitungsalgorithmen und CNN, unabhängig von der Hardware-Plattform. Anwendungsbereiche der Kamera sind u.a. intelligente Kennzeichenerkennung bei der Verkehrsüberwachung, die Erkennung von Restrinden auf Baumstämmen für die Papierindustrie, Inline-Analysen von Kabeloberflächen bei der Kabelproduktion, Qualitätssicherung von FFP2-Masken, Oberflächenanalyse von Dachziegeln, Backwaren, Förderbandanalyse, Logistik, PSA, Einparksensoren, Qualitätsüberprüfung mittels Sounderkennung, etc.

Das könnte Sie auch Interessieren

Anzeige

Anzeige

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.

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.

Anzeige

Anzeige

Anzeige