Deutschland - Kennzeichen Deutschland

Incoterms:DDP
Alle Preise sind inklusive Zoll und Gebühren bei der Auswahl der Versandart.

Bitte bestätigen Sie Ihre Währungsauswahl:

Euro
Versand ist kostenfrei bei den meisten Bestellungen über 50 € (EUR)

US Dollar
Versand ist kostenfrei bei den meisten Bestellungen über $60 (USD)

Bench Talk for Design Engineers

Mouser German Blog

rss

Mouser Electronics, Inc german language blogs


Einsatz von Edge-basierter KI mit dem Kria SoM Adam Taylor

(Quelle: Itsanan/Shutterstock.com)

 

Eine der wichtigsten Technologien für Industrie 4.0 ist die Fähigkeit, Machine Learning direkt im so genannten Edge-Bereich zu implementieren. Je nach den Anforderungen der Anwendung könnte die Machine Learning Inference Telemetriedaten analysieren, um vorausschauende Wartungsmaßnahmen zu modellieren und dadurch einen Anlagenstillstand zu verhindern. Alternativ könnte die Anwendung die gefertigten oder verpackten Artikel auf der Fertigungsanlage überprüfen.

Für die visuelle Kontrolle von Artikeln in der Fertigungslinie ist ein Hochleistungssystem erforderlich, das in der Lage ist, Bildverarbeitungs- und Machine-Learning-Algorithmen mit einer hohen Bildrate (>30 Bilder pro Sekunde) auszuführen. Die Umsetzung einer solchen Lösung stellt auch erhebliche Performance-Anforderungen. Hier können Produkte wie das Xilinx® Kria™ K26 System-on-Module (SoM) und das KV260 Vision AI Starter Kit von Xilinx einen wichtigen Beitrag leisten.

Xilinx® KriaSoM und Vision-KI-Starter Kit

Das Xilinx® Kria K26 System-on-Module und das KV260 Vision-KI-Starter Kit ermöglichen das schnelle Prototyping von Vision- und AI-Algorithmen. Das Kria K26 SoM stellt Entwicklern ein hochperformantes heterogenes System zur Verfügung, das leistungsstarke Arm® Prozessoren mit fortschrittlicher programmierbarer Logik kombiniert. Durch diese Verbindung lassen sich die Anwendungen optimal entweder im Prozessorsystem oder in der programmierbaren Logik implementieren. Das Ergebnis dieser Verschmelzung ist eine Edge-basierte Lösung, die reaktionsschnell, deterministisch und energieeffizient arbeitet.

Die Kria-Lösung unterscheidet sich von traditionellen Xilinx-Lösungen dadurch, dass sie als System-on-Module (SoM) bereitgestellt wird. Ein SoM beinhaltet nicht nur den eigentlichen integrierten Schaltkreis, sondern auch die notwendigen flüchtigen und nichtflüchtigen Speicher, Taktgeber und Stromversorgungen. Das Kria K26 SoM besteht aus dem SoC (XCK26) mit 4 GB DDR4-Speicher, 16 GB eMMC, 512 MB QSPI, TPM-Sicherheitsmodul und der erforderlichen Stromversorgungsinfrastruktur (Abbildung 1). Zwei 240-Pin-Anschlüsse mit insgesamt 245 I/Os ermöglichen eine einfache Integration in Ihre Anwendung.

 

Abbildung 1: Mit dem Xilinx Kria K26 SoM können Entwickler die Möglichkeiten von programmierbarer Logik in Kombination mit leistungsstarken Arm® -Prozessorkernen nutzen. (Quelle: Mouser Electronics)

 

Um Entwicklern den Einstieg zu erleichtern, bietet Xilinx das Kria KV260 Vision-KI-Starter Kit an. Dieses Kit enthält eine Trägerkarte für das SoM, die folgende Schnittstellen bereitstellt:

  • 3 MIPI-Schnittstellen
  • USB 3
  • HDMI
  • Display Port
  • GB-Ethernet
  • Pmod

Mit diesen Schnittstellen können Entwickler komplexe bildverarbeitungsbasierte KI-Lösungen entwickeln. Diese Lösungen können eine Reihe von Videoquellen und Kanälen unterstützen, von MIPI über USB-Kameras und das Ethernet Real-Time Streaming Protocol (RTSP) bis hin zu herkömmlichen HDMI- und DisplayPort-Kanälen.

Das Starter-Kit enthält auch eine Reihe von Anwendungen, die zeigen, wie einfach es ist, mit der Entwicklung von KI-Anwendungen zu beginnen. Zu diesen Anwendungen zählen unter anderem intelligente Kameras für die Gesichtserkennung, Multi-Stream-Tracking und -Identifizierung, Fehlererkennung und die Verarbeitung natürlicher Sprache. Einer der Vorteile dieser sofort einsatzbereiten Kria-Architektur ist die Möglichkeit, ein anderes Netzwerk neu zu kompilieren und das Beispielnetzwerk zu ersetzen.

Entwickler können Vitis AI einsetzen, um häufig verwendete KI-Entwicklungsframeworks wie Caffe, TensorFlow und Pytorch zu nutzen. Mit Vitis™ AI lassen sich KI-Inferenzalgorithmen sowohl an der Edge als auch in der Cloud beschleunigen. Der Vitis™AI-Technologie-Stack unterstützt die gängigen Frameworks und bietet alles, was für die Entwicklung und den Einsatz von ML/KI-Algorithmen auf den Xilinx-Geräten, einschließlich des Kria K26 SoM, erforderlich ist.

Das Herzstück des Vitis™ AI-Stacks ist die Xilinx Deep Learning Processor Unit (DPU), die in der programmierbaren Logik integriert ist und für die Implementierung von Convolution Neural Networks optimiert ist (Abbildung 2). Sie kann für die Realisierung von Netzen wie VGG, ResNet, GoogLeNet, YOLO, SSD, MobileNet und FPN genutzt werden.

Abbildung 2: Der Vitis™ AI-Stack-Workflow bietet einen Prozess zur Implementierung von Deep-Learning-Inferenzanwendungen auf Xilinx DPU. (Quelle: Xilinx)

 

Um die parallelen Eigenschaften der programmierbaren Logik zu nutzen, führt die DPU Netzwerke aus, die mit dem AI Quantizer auf int-8 modelliert wurden.

Sobald das DPU-Modell in der Hardware implementiert und das Netz mit Vitis AI trainiert und kompiliert wurde, kann die Software mit Vitis entwickelt und die endgültige Lösung erstellt werden (Abbildung 3).

Abbildung 3: Xilinx Vitis™ AI-Implementierungsmodelldiagramm (Quelle: Xilinx)

 

Anwendungsbeispiel für die Fertigung

Schauen wir uns genauer an, wie das Xilinx Kria SoM für eine Fertigungsanwendung verwendet werden kann. Für die Erstellung einer Fertigungsanwendung ist nicht unbedingt ein programmierbares Logikdesign erforderlich. Vielmehr sind Softwareentwicklung und die Fähigkeit zum Trainieren und Kompilieren eines neuen Machine-Learning-Modells mit Vitis AI von Xilinx erforderlich.

Das Kria K26 SoM und das KV260 Vision-Starter-Kit eignen sich hervorragend für Anwendungen, bei denen es auf eine schnelle Bildverarbeitung ankommt, z. B. um zu erkennen, ob ein Etikett korrekt auf einem Versandkarton in der Fertigungslinie angebracht wurde oder nicht. In diesem Beispiel verwendet der Entwickler das Kria K26 SoM zur Überprüfung von Verpackungen in der Fertigungslinie und zur Erkennung der korrekten Position eines Etiketts auf einem Karton mithilfe des Mobilenet-Netzwerks. Dieses Netzwerk kann anhand eines Datensatzes von Abbildungen trainiert werden, die sowohl richtige als auch falsche Etikettenpositionen enthalten (Abbildung 4 und Abbildung 5).
 

Abbildung 4: Beispiel für die korrekte Position eines Etiketts mit dem Mobilenet-Netzwerk (Quelle: Mouser Electronics)

Abbildung 5: Beispiel für die falsche Position eines Etiketts mit dem Mobilenet-Netzwerk (Quelle: Mouser Electronics)

Sobald dieses Netzwerk trainiert ist, kann es auf dem Kria K26 SoM in Verbindung mit Linux GStreamer-Unterstützung eingesetzt werden, um Verpackungen auf einer Fertigungslinie in Echtzeit zu überprüfen (Abbildung 6). Die implementierte Anwendung kann entsprechend reagieren, wenn sie einen falsch etikettierten Karton entdeckt.

Abbildung 6: Beispiel für die Erkennung einer korrekten Etikettierung mit Xilinx (Quelle: Mouser Electronics)

 

Fazit

Fertigungslinien sind dynamische Umgebungen. Die Fähigkeit, Fertigungs- oder Verpackungsfehler vor dem Versand zu erkennen, ist entscheidend für eine optimale Lieferung und Kundenzufriedenheit. Automatisierte Prüfsysteme müssen jedoch in der Lage sein, Daten zu verarbeiten und Entscheidungen zu treffen, ohne die Fertigungslinie zu verlangsamen. Produkte wie das Xilinx Kria K26 SoM und das Kria KV260 Vision-KI-Starter-Kit können dazu einen wichtigen Beitrag leisten.

Mit dem Kria KV260 Vision-KI-Starter-Kit können Entwickler schnell mit der Entwicklung von Bildverarbeitungs- und KI-Prototyping-Lösungen beginnen und Machbarkeitsnachweise erstellen. Das Kria K26 SoM erlaubt die Übertragung des Designs vom Konzept über das Prototyping bis hin zur endgültigen Lösung, wobei außer vielleicht an der Schnittstelle zur Trägerkarte nur minimale Änderungen erforderlich sind.

Die Entwicklungskosten und -risiken, die mit der Entwicklung einer Embedded-Systemlösung mit komplexen heterogenen FPGAs, Speichern und Stromversorgungsarchitekturen verbunden sind, können durch den Einsatz des Kria K26 SoM reduziert werden. Mit der Kombination aus dem Vitis AI-Stack und sofort einsetzbaren Lösungen kann das Entwicklungsteam mit dem Kria K26 SoM komplexe Bildverarbeitungs- und KI-basierte Lösungen erstellen und dabei die Vorteile programmierbarer Logik nutzen, ohne ein Experte für das Design programmierbarer Logik sein zu müssen.

Mehr erfahren

Wenn Sie mehr über das Kria SoM erfahren möchten und sich eine schrittweise Anleitung für die Erstellung einer KI-Lösung für industrielle Anwendungen ansehen möchten, lesen Sie den Artikel "Wenn Sie mehr über das Kria SoM erfahren möchten und sich eine schrittweise Anleitung für die Erstellung einer KI-Lösung für industrielle Anwendungen ansehen möchten, lesen Sie den Projektbeitrag „Einsatz von Edge-basierter KI mit dem KRIA SoM“.

 



« Zurück


Adam Taylor ist Professor für Embedded Systeme, Entwicklungsleiter und weltweit anerkannter Experte für FPGA/System on Chip und Elektronikdesign.


Alle Autoren

Alle anzeigen Alle anzeigen
Blog nach Datum anzeigen