Im folgenden Blogbeitrag wird der Aufbau von Embedded-Vision-Systemen gegenüber von Machine-Vision-Lösungen gestellt und deren Auswirkungen auf die Zukunft der Bildverarbeitung erläutert.
In den letzten Jahren ist die Nachfrage nach modernen IoT-Anwendungen gestiegen und daraus sind eine Vielzahl an Embedded-Lösungen entstanden. Dabei werden kleine Rechnereinheiten für spezifische Teilaufgaben in übergeordneten Systemen eingebaut, um Bauraum und Kosten zu reduzieren. Diese Rechnereinheiten werden als Embedded Systems (deutsch: eingebettete Systeme) bezeichnet. Wird zusätzlich Kameratechnik mit eingebunden, wird von Embedded Vision gesprochen. Diese Systeme sind in der Lage, Bilder selbstständig aufzunehmen und gleichzeitig zu verarbeiten. Sie sind kompakter und kostengünstiger als klassische Machine-Vision-Systeme.
Wo liegen die Unterschiede zwischen Embedded und Machine Vision?
Embedded Vision beschreibt vollintegrierte Komplettsysteme, die Bilder selbstständig erfassen, dessen Daten direkt verarbeiten und interpretieren können. Durch den Einsatz von künstlicher Intelligenz ist das System in der Lage, autonome Entscheidungen zu treffen und eine Handlung vorzunehmen, um eine bestimmte Aufgabe alleine zu erledigen.
Bei Machine Vision dagegen werden Datenströme durch eine Kamera erfasst und in einem Industrierechner mithilfe einer Bilderverarbeitungssoftware getrennt voneinander verarbeitet. Der Workflow findet nicht direkt an der Quelle statt und es kann sein, dass menschliches Eingreifen zur Interpretation der Daten benötigt wird z. B. bei der Beurteilung einer Situation von Überwachungsaufnahmen.
Vorteile und Anwendungsgebiete von Embedded Vision
Embedded-Vision-Systeme sind nicht nur kostengünstiger, sondern sind platzsparender und fallen nicht ins Gewicht wie klassische Bilderverarbeitungssysteme. Außerdem sinkt durch die Einbettung auf ein System der Stromverbrauch und durch die kompakte Aufmachung können intelligente Anwendungen stationär sowie auch mobil umgesetzt werden. Die Einsatzmöglichkeiten von Embedded Vision erstrecken sich über eine viel Zahl von industriellen Anwendungen wie zum Beispiel den Einsatz von Drohnen für Prozessüberwachung bis zur Qualitäts- und Prozesskontrollen sowie Montageaufgaben in Fabriken. Im Consumer Bereich wird diese Technologie zum Beispiel für Smart Homes oder in Haushaltsgeräten wie zum Beispiel den Staubsauger- oder Mähroboter genutzt.
Die Zukunft von Embedded Vision
Wie bei jedem Bildverarbeitungssystem müssen in erster Linie die Vor- und Nachteile von Embedded Vision in Erwägung gezogen werden. Durch die Kombination von selbstständiger Datenerfassung und Bildverarbeitung in einem einzigen System gewinnt die Technologie besonders in räumlich eingeschränkten Anwendungsfeldern immer mehr an Bedeutung. Obwohl bei der Bildverarbeitung ein platzsparendes All-in-One System zunächst wie ein Heilsbringer klingt, gibt es dennoch mögliche Beeinträchtigungen. Leistungstechnisch befinden sich die Image-Prozessoren in der Regel einige Jahre hinter klassischen Machine Vision Lösungen. Außerdem sind hier in der Regel die Entwicklung- und Integrationskosten der Systeme höher, da die Geräte individuell ausgestattet werden müssen und die Programmierung der Software oftmals umfangreicher ist als bei Machine-Vision-Systemen.
Trotzdem bietet die hohe Gestaltungsvielfalt von eingebetteten Systemen eine nachhaltige Basis für die industrielle Automatisierung der Industrie 4.0 und der Vernetzung von Internet of Things-Umgebungen. Gleichzeitig schrumpft die Grenze zwischen Machine und Embedded Vision und wird in den kommenden Jahren noch mehr Anwendungsfelder sowohl in der Industrie als auch im Alltag erschließen.
Jetzt unser kostenloses White Paper herunterladen!
In unserem White Paper Embedded Module für moderne IoT-Netzwerke erfahren Sie, welche Herausforderungen bei der Entwicklung von IoT-Produkten mithilfe von Embedded Modulen auftreten können und welcher Lösungsansatz zielführend ist.
