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

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.