Neue Herausforderungen für Kameraentwickler

Embedded Vision und KI gelten als Erfolgsduo bei neuen Anwendungen – jedoch müssen Entwickler zuvor einige Hürden nehmen

Derzeit halten Embedded-Vision-Systeme Einzug in die industrielle Bildverarbeitung, um die Miniaturisierung weiter voranzubringen. Sie sorgen dafür, dass Bildverarbeitungssysteme immer kleiner und kosteneffektiver werden, indem sie mit dem Hauptsystem „verschmelzen“. Typische Embedded-Vision-Anwendungen entstehen derzeit im Bereich Robotik, Intralogistik und Mixed Reality. Aufgrund der tiefen Integration und zunehmender Parametervielfalt steigt auch die Komplexität – was Kameraentwickler vor neue Herausforderungen stellt.

Durch eine tiefe Integration des Vision-Subsystems in das Endprodukt können sowohl die Leistung als auch die Kosten für einen speziellen Anwendungsfall optimiert werden. Die größte Herausforderung hierbei ist, den Spagat zwischen einer spezifischen, hochoptimierten Vision-Lösung auf der einen Seite und leichter Zugänglichkeit, schnellen Entwicklungszyklen und großer Skalierbarkeit auf der anderen Seite hinzubekommen. Deshalb geht oft kein Weg an individuellen Entwicklungslösungen vorbei. Doch nur durch die gründliche Analyse der Anforderungen und der Überführung in die richtigen Spezifikationen lassen sich Parameter wie Kosten, Größe, Performance und Energiebedarf sehr gut „ausbalancieren“. Dabei müssen oft neue Wege beschritten werden, denn es kommen heute Technologien und Architekturen zum Einsatz, die man aus der klassischen industriellen Bildverarbeitung nicht kennt.

Embedded-Vision-Systeme modular durchdenken

Oft findet die Entwicklung des Embedded-Vision-Lösungsteils und des Hauptsystems parallel statt, um beide Einheiten optimal aufeinander abzustimmen und maximale Synergieeffekte zu erzielen. Embedded Vision verzichtet auf klassische Architekturen, die auf Host-PCs, Ethernet/USB-Schnittstellen und gehausten Kameras basieren. Vielmehr wird das System in Module unterteilt, die sich die verfügbaren Ressourcen so gut wie möglich wie möglich teilen, etwa die Stromversorgung, den Hauptprozessor oder das Gehäuse. Hierfür müssen die einzelnen Module einschließlich der Software bestmöglich aufeinander abgestimmt werden. Nur dann kann das Systems die aufgenommenen Bilder effizient übertragen und verarbeiten.

Bei der Anwendung von Künstlicher Intelligenz (KI) kommen einige Besonderheiten hinzu. Hier werden Kameradaten in Echtzeit ausgewertet und darauf basierend Entscheidungen getroffen. Aktuelle Embedded-Architekturen bieten hierfür genügend Rechenleistung. Allerdings ist es wichtig, dass man sich schon im Vorfeld klar macht, welche Daten, Features bzw. Objekte für die Applikation relevant sind, um das System hinsichtlich Auflösung, Sensitivität und Datenrate optimal auszulegen.

Die Kombination aus KI und Embedded Vision bietet derzeit ungeahnte Möglichkeiten und die Kreativität der Hersteller kennt scheinbar keine Grenzen: Es entstehen Anwendungen von der Lieferdrohne über automatische Sportanalysen im Heimbereich bis hin zur automatischen Fütterungsmaschine für Haustiere. Jedoch müssen viele Entwickler und Designer die Erfahrung machen, dass zwar die notwendige Technologie existiert, diese aber meistens sehr komplex ist und deshalb nicht innerhalb des vorgesehenen Budgets und der anvisierten Zeitplanung erfolgreich integriert werden kann.

Gesamtsystem als Einheit betrachten

Die zentrale Herausforderung für Entwickler ist die genaue, vollumfängliche Definition der Anforderungen gleich zu Beginn eines Imaging-Projekts – einschließlich der kommerziellen Rahmenbedingungen für die spätere Serienproduktion. Erst dann kann die Lösung so entwickelt und vorbereitet werden, dass eine reibungslose und schnelle Überführung in die Serie gelingt. Dabei müssen alle Vision-Bestandteile als ein System verstanden und bewertet werden. Sensor, Optik und Prozessor nicht einfach unabhängig voneinander gewählt werden können, da sie sich teilweise gegenseitig bedingen. Meistens gibt es viele Stellschrauben, um eine Lösung zu optimieren, wobei jede Änderung Auswirkungen hat, die bekannt sein müssen.

Ein Beispiel: Kleinere Pixel ermöglichen heute einen kleineren Sensor (bei fester Auflösung), der zwar kostengünstiger ist, aber in der Regel auch eine geringere Empfindlichkeit und Sättigungsleistung aufweist. Gleichzeitig können Anwender in der Regel ein kleineres Objektiv wählen, was einen weiteren Preisvorteil bietet, aber sie müssen sicherstellen, dass das Objektiv ein hohes Auflösungsvermögen besitzt, welches wiederum zur kleinen Pixelgröße des Sensors passt. Außerdem muss das Objektiv eine kurze Brennweite haben, um denselben Bildwinkel zu erzielen, den eine längere Brennweite in Verbindung mit einem größeren Sensor hätte. Dies wirkt sich auf die Blendenöffnung und damit auf die Schärfentiefe und das verfügbare Licht aus.

Auf Systemarchitektur und Schnittstellen kommt es an

Schon beim Entwurf eines Vision-Produkts muss ermittelt werden, ob es in Serie produziert werden kann und ob die Funktionalität des Serienprodukts gewährleistet ist. Sobald die Architektur definiert und der Entwurf abgeschlossen ist, müssen die Produktionsprozesse so eingerichtet werden, dass eine konstante Qualität erzielt wird und die Applikation in der Praxis unter den festgelegten Bedingungen erfolgreich läuft. Nachfolgende Korrekturen gilt es zu unbedingt vermeiden – sie führen zu einem Zeitverlust (längere Time to Market) und zu schwer kalkulierbaren Nachfolgekosten. Damit sich Hersteller voll auf ihre Kernkompetenzen konzentrieren können und Entwickler von Embedded-Vision-Systemen ein möglichst geringes Risiko eingehen, empfiehlt es sich, von Anfang an mit erfahrenen Partnern wie FRAMOS zusammenarbeiten.