Die Potenziale der KI-Vision für industrielle Anwendungen

Die künstliche Intelligenz bildet nicht nur das menschliche Sehvermögen nach, sondern kann auch darüber hinausgehen, indem sie Umweltmerkmale hochgenau wiedergibt, die für das menschliche Auge nicht ohne weiteres sichtbar sind. In industriellen Umgebungen am Netzwerkrand bedeutet Vision AI eine hochwertige Qualitätskontrolle von Fertigungsaufgaben und erweiterte Automatisierungsmöglichkeiten.

Edge-KI gibt es zwar schon eine Weile, aber die Verbesserung der Edge-Funktionen durch Computer Vision ist immer noch ein Novum. Diejenigen, die es gewagt haben, Produktionsprozesse, Sicherheit und Qualität mithilfe von KI-Vision zu verbessern, profitieren jedoch bereits von den Vorteilen.

Wenn Industrieunternehmen mit KI-Bildverarbeitungslösungen ausgestattet sind, können sie die volle Kontrolle über ihre Anlagen am Netzwerkrand übernehmen und eine echte kollaborative Grundlage für eine Vielzahl von Anwendungsfällen schaffen. Auf diese Weise können sie die Herausforderungen eines dynamischen Umfelds bewältigen, das viele Unbekannte beinhaltet.

Was kann AI Vision für Sie tun?

Was macht KI-Vision für industrielle Anwendungen so attraktiv? Es geht nicht nur um die hohe Genauigkeit und Anpassungsfähigkeit moderner Bildverarbeitungsalgorithmen, sondern auch um die Nachhaltigkeit der Einführung von Computer-Vision-Anwendungen. Im Folgenden finden Sie eine Aufschlüsselung dessen, was Sie erwarten können.

Sie installieren die Hardware nur einmal

Sobald Sie Ihr Smart-Kamerasystem am IoT-Edge installiert und eingerichtet und eine Verbindung zu Ihrer Plattform hergestellt haben, können Sie loslegen. Auf dieser soliden Grundlage können Sie auf dieser soliden Grundlage eine Vielzahl von Anwendungsfällen auf der Grundlage Ihrer vorhandenen Lösung erstellen und verschiedene Vision AI-Apps hinzufügen oder zwischen ihnen wechseln, ohne den laufenden Betrieb zu unterbrechen.

Bestehende Anlagen müssen nicht geändert werden

Indem Sie Ihre vorhandenen Legacy-Ressourcen am Edge verwenden, können Sie die Plattform verwenden, um ML-Modelle zu trainieren, bereitzustellen und zu verbessern, ohne von bestimmten Hardwaretypen, IT-Spezialisten oder externen Anbietern abhängig zu sein. Das bedeutet, dass Ihre vorhandenen Ressourcen dort bleiben, wo sie sind — und Sie können jede hardwareunabhängige Plattform verwenden, um Ressourcen innerhalb Ihrer Gerätelandschaft zu orchestrieren.

Für neue Anwendungsfälle müssen keine zusätzlichen Sensoren gekauft werden

Ebenso ist es nicht erforderlich, neue Sensoren oder neue Hardware zu kaufen, wenn Sie zusätzliche Anwendungsfälle erstellen und testen möchten. Sobald Sie Ihre Hardware installiert haben, können Sie sich problemlos an sich ändernde Anforderungen anpassen, indem Sie einfach neue Apps installieren (d. h. Modelle für maschinelles Lernen und ganze Lösungen für künstliche Intelligenz, die als gebrauchsfertige, leichte IoT-Anwendungen verpackt sind), von einer Plattform aus testen, debuggen und aktualisieren, sodass Sie einen vollständigen Überblick darüber haben, was passiert.

Sie können zusätzliche Apps sofort oder schrittweise hinzufügen

Das Hinzufügen, Entfernen und Verbessern von Anwendungen ist ebenso problemlos. Sie können mehrere Deep-Learning-Apps gleichzeitig hinzufügen, um verschiedene Leistungsparameter zu verfolgen und eine Vielzahl von Anwendungsfällen zu bedienen. Und Sie können schrittweise zwischen verschiedenen Komplexitätsstufen wechseln und jeweils eine App hinzufügen und testen.

Umgang mit komplexen Umgebungen

Plattformfähige Vision AI-Anwendungen sind am besten geeignet, wenn sie in komplexen Umgebungen arbeiten und eine Vielzahl von Problemen erfassen müssen, die möglicherweise einer menschlichen Überprüfung entgehen. Mithilfe intelligenter Kameras, die an der Peripherie installiert sind, können Sie Vision KI-Apps nutzen, um Barcodes zu überprüfen, nach Montage- oder Verpackungsfehlern zu suchen, Sicherheitsprobleme zu erkennen, Personen in der Werkstatt zu zählen und die Bestandsverwaltung durchzuführen — und das alles gleichzeitig mit hoher Präzision.

Ermöglicht eine nahtlose Skalierung

Indem Sie nur eine Plattform verwenden, schaffen Sie eine solide Grundlage für Ihre Anwendungsfälle, angefangen beim Datenimport über die Erstellung von ML-Modellen bis hin zur Bereitstellung bis hin zum KI-Edge. Dank containerisierter Anwendungen können Tests und Bereitstellungen in Produktionsumgebungen unterbrechungsfrei erfolgen, wodurch Ausfallzeiten minimiert werden.

Die Argumente für KI-Vision in der industriellen Fertigung

Nahezu jeder Schritt des Herstellungsprozesses kann durch die Implementierung einer KI-Vision verbessert und sicherer gemacht werden. Noch mehr Automatisierung, Fehlererkennung in Echtzeit und Produktivitätsverbesserungen sind nur einige der Möglichkeiten. Im Folgenden finden Sie einige Ideen, was Sie mit Computer Vision erreichen können.

Qualitätssicherung

Mithilfe von KI-Vision können Hersteller sicherstellen, dass Prozesse optimal orchestriert und ausgeführt werden. Die Abfallreduzierung ist auf ein Minimum beschränkt und die Betriebsbedingungen in der Werkstatt sind nahezu ideal.

Dies sorgt für maximale Sichtbarkeit und eine geringere Abhängigkeit von menschlichem Fachwissen. Die Qualitätskontrolle wird durch intelligente Algorithmen übernommen, die speziell darauf trainiert sind, Ausreißer zu erkennen, Analysen durchzuführen und Warnmeldungen zu versenden.

Ursachenanalyse

Computer Vision am IoT-Edge kann helfen, Muster zu erkennen, die menschlichen Beobachtern entgangen sind. Und sie kann komplexe Aktionspläne umsetzen, um den Auswirkungen dieser Entdeckungen zu begegnen. Indem Hersteller die Ursache für ein bestimmtes Phänomen oder Verhalten ausfindig machen, lernen sie schnell aus Fehlern und vermeiden zukünftige Fehler.

Wenn mehrere Fehler auftreten, können Vision AI-Anwendungen, die am industriellen Rand installiert sind, die Kette der Ereignisse verfolgen und wichtige Erkenntnisse liefern, um Abhilfe zu schaffen. Die Inspektion per Computer Vision ist besonders nützlich, wenn in der gesamten Wertschöpfungskette nach bestimmten Herstellungsfehlern gesucht wird. Auch hier erweist sich das Sehen mit künstlicher Intelligenz als genauer als das menschliche Auge.

Vollständige Automatisierung für komplexe visuelle Aufgaben

Da Fertigungsprozesse von Natur aus komplex und dynamisch sind, war es durchweg eine Herausforderung, selbst einen bescheidenen Automatisierungsgrad zu erreichen. Mit der Unterstützung einer umfassenden IoT- und KI-Plattform können Vision AI-Anwendungen am Netzwerkrand auf diese Dynamik reagieren. Sie passen sich kontinuierlich an neue Variablen an.

Neue eingehende IoT-Daten können ständig neue Erkenntnisse liefern, und jedes KI-Modell am Edge kann schnell angepasst werden, indem sofortige OTA-Updates eingeführt werden. Auf diese Weise wird der Automatisierungszyklus kontinuierlich und unterbrechungsfrei erneuert.

Was sind die typischen Anwendungsfälle von KI Vision?

Die Fähigkeit der industriellen Vision-KI-Technologie, die Qualitätssicherung, die Ursachenanalyse und die industrielle Automatisierung zu verbessern, kann viel bewirken. Insbesondere Computer Vision am Netzwerkrand, eingebettet in eine komplette Infrastruktur für die Erstellung, Bereitstellung und Überwachung von Vision-KI-Anwendungen, kann eine Vielzahl klassischer Aufgaben in der Fertigung über die gesamte Wertschöpfungskette hinweg übernehmen.

Die meisten KI-Bildverarbeitungsanwendungen verwenden die visuellen Daten, um ein Modell für maschinelles Lernen so zu trainieren, dass es etablierte Dinge wie Gesichtserkennung, Objekterkennung, Bildklassifizierung auf der Grundlage visueller Eingaben aus mehreren Quellen, Bilderkennung, visuelle Inspektion, Bildanalyse oder noch anspruchsvollere Videoanalysen durchführt. Auf dieser Grundlage können verschiedene Computer-Vision-Lösungen entwickelt werden. Auf der Grundlage des vorab trainierten Modells können Unternehmen die Entwicklung von kundenspezifischen Modellen erweitern, die speziell auf ihre individuellen Bedürfnisse zugeschnitten sind.

Zu den typischen Anwendungsfällen gehören:

• Montage von Komponenten. Diese Aufgaben können jetzt vollständig automatisiert und ohne oder mit minimalem menschlichem Eingreifen verwaltet werden.
• Verpackung. Vision-KI-Anwendungen können den gesamten Verpackungsprozess überwachen und das fertig verpackte Material auf Mängel untersuchen.
• Barcode-Überprüfung. Diese Aufgabe kann mit einer einfachen AI-Vision-App gelöst werden, die auf Smart-Kameras installiert ist. Und es spart Tausende von Stunden manueller Inspektion.
• Erkennung von Defekten. Bildverarbeitungsfunktionen — mit am Rand installierten IoT-Kameras — ermöglichen eine höhere Genauigkeit bei der Fehleranalyse und -vermeidung.
• Prädiktive Wartung. Anstatt kostspieliger Sichtkontrollen durch menschliche Mitarbeiter kann die Geräteüberwachung durch Computer-Vision-Systeme durchgeführt werden. Diese verfolgen bestimmte Kennzahlen und senden Warnmeldungen aus, wenn Ausreißer erkannt werden.
• Sicherheitsprotokolle. Computer Vision kann die Überwachung der Mitarbeitersicherheit am Produktionsstandort übernehmen und effektiv über sich ändernde Umgebungsbedingungen und andere Gesundheitsgefahren, die Einhaltung von Sicherheitsvorschriften und jede untypische Bewegung von Personen oder Maschinen berichten.

An alle Entwickler: Entwicklung von Vision AI-Lösungen

Sie sind Entwickler und fragen sich vielleicht, was wir von Vision AI halten und wie wir Vision AI-Funktionen in unsere IoT-Plattform integrieren? Im Folgenden skizzieren wir die Grundlagen.

Das Problem mit Containern lösen

Eine Möglichkeit, die Komplexität von IoT-Entwicklungsinitiativen in den Griff zu bekommen, ist die Verwendung von containerisierten Anwendungen. Das bedeutet, dass Sie Ihre Apps in leichten Einheiten ausführen, die als Container bezeichnet werden. Container ermöglichen es Ihnen, Ihre Anwendungen in einer isolierten Umgebung auszuführen und gleichzeitig über alles zu verfügen, was Sie für die Ausführung dieser Apps benötigen — einschließlich Bibliotheken, Code, Tools und Runtime.

Auf diese Weise sind Sie in der Lage, Ihre Anwendungen in jeder Art von Umgebung bereitzustellen und zu skalieren.

Da Sie Ihre Anwendungen von Ihrer anderen Infrastruktur trennen, können Sie auch mehrere Container gleichzeitig ausführen. Sie können Container auch gemeinsam nutzen.

Bei Record Evolution verwenden wir Docker. Jede App muss über ein Dockerfile verfügen, um eine benutzerdefinierte Linux-Konfiguration zu erstellen, die von einem Standard-Basisimage wie Ubuntu oder Alpine Linux ausgeht. Alternativ können Sie Dockerfiles für bestimmte Zielsystemarchitekturen „Dockerfile_armv7“ oder „Dockerfile_arm64“ hinzufügen, wenn Sie möchten, dass Ihre App auf armv7- (Raspberry Pi) - oder arm64-Systemen (Jetson) läuft.

Bearbeitbaren Code verwenden

In der IoT-Entwicklungsumgebung können Sie den Quellcode Ihrer App mit dem Webcode-Editor bearbeiten. Der Code-Editor ist Ihre persönliche Cloud-IDE, die auf dem VS Code von Microsoft basiert. Die Codebearbeitung basiert auf dem Git-Workflow — dem Industriestandard für die Erstellung von wartbarem und überprüfbarem Code für die kollaborative Entwicklung.

Das bedeutet, dass jede Änderung, die Sie am Code vornehmen, nur in Ihrer persönlichen Umgebung vorhanden ist, bis Sie Ihren Code festschreiben und in den Master-Branch Ihrer Anwendung übertragen.

Die Höhepunkte:

• Sie erstellen Ihren Code und führen ihn während der Entwicklung auf einem Remote-Gerät aus
• Sie melden sich zum Debuggen direkt auf einem Gerät in einen laufenden App-Container an

Integration mit GitHub, GitLab und Bitbucket

Standardmäßig hat jede App auf der Plattform ein zentrales Git-Repository. Dieses Repo wird als gemeinsamer Codepunkt für alle Entwickler der App verwendet. Dieses zentrale Git-Repository wird innerhalb der Plattform verwaltet.

Beim Erstellen einer App können Sie jedoch einen anderen Dienst auswählen. Derzeit unterstützen wir GitHub, GitLab und Bitbucket.

Sie können Ihren GitHub-App-Code direkt erstellen und in den IoT App Store übertragen und auf Geräten bereitstellen.

Außerdem können Sie ein internes Repository jederzeit in einen dieser externen Dienste verschieben. Auf diese Weise können Sie Ihr lokales Editor-Setup verwenden und zu Ihrem GitHub-Repo wechseln, während Sie weiterhin Code auf tatsächlichen Geräten ausführen und debuggen können, die die Plattform verwenden.

Wir freuen uns darauf, unsere Kräfte mit den Entwicklern von Vision AI zusammenzuschließen.

‍