Die steigende Rechen- und Grafikleistung heutiger Embedded Boards erlaubt es, für Anwendungen der Bildverarbeitung im industriellen Umfeld kompakte Verbundsysteme aus entsprechenden Boards und Kameramodulen zu entwickeln und einzusetzen.

Die Vorteile dieser so genannten smarten Kameras liegen darin, dass sie die aufgenommenen Bilder direkt auf dem Gerät auswerten können und die Bilddaten nicht erst an einen zentralen Server leiten müssen. So können die Anforderungen an die Datenübertragung zwischen Kamera und Server deutlich verringert werden, denn die Kameras können bspw. erkennen, ob sich in den aufgenommenen Bildern eine Änderung ergeben hat und nur dann die entsprechenden Bilder weiterleiten oder gar die Bilder bereits interpretieren und nur die relevanten Informationen aus den Bildern an den Server schicken. Dieser Aspekt der lokalen Datenvorverarbeitung macht Systeme aus smarten Kameras hochskalierbar.

Durch den weitgehenden Verzicht auf festinstallierte Infrastruktur wie etwa Datenkabel (ausgenommen sind hier WLAN oder Mobilfunk und eine Energiequelle) können auch neue Geschäftsmodelle entstehen. So können smarte Kameras mit vortrainierten Modellen für bestimmte Anwendungsfälle bei weiteren Partnern in der Supply Chain installiert werden und dadurch die Informationen über Sendungen und Materialflüsse automatisch und transparent geteilt werden.

Projektspezifische Ergebnisse, z. B. Demonstratoren oder Prototypen (Auszug)

• Um smarte Kameras in der Breite der Industrie einsetzen zu können, bedarf es neben der Hardware auch der Bereitstellung eines Software-Dienstes, der die Konfiguration für den entsprechenden Bildverarbeitungsanwendungsfall ermöglicht. Vor diesem Hintergrund wird in der Silicon Economy der Service »CV on Edge« entwickelt. Der Service führt den Nutzer durch das Training eines Machine Learning Modells für eine Bildverarbeitungsaufgabe, verteilt das trainierte Modell auf die jeweiligen Smart Kameras, ist dabei einfach zu bedienen und erfordert kein spezielles Fachwissen. CV on Edge ermöglicht es ebenfalls, vortrainierte Modelle für bestimmte Anwendungsfälle zu integrieren und so den Trainingsaufwand bei weiteren Anwendungspartnern zu reduzieren.
• In einem ersten Anwendungsfall für »CV on Edge« wird ein vortrainiertes Netz für die Klassifikation von Ladungsträgern, welche unterschiedlichen Standard-Pools zugehörig sind, bereitgestellt. Die für die Modellerstellung erforderlichen Bilder werden in Zusammenarbeit mit dem Logistikunternehmen Dachser S.E. generiert.