In modernen Produktionslinien zählen Millisekunden. Ob bei der Prüfung von Karosserieteilen auf Oberflächenfehler, der Kontrolle von Lötstellen auf einer Leiterplatte oder der Verifizierung von Etiketten in Hochgeschwindigkeits-Verpackungslinien: Industrielle Bildverarbeitungssysteme müssen präzise Entscheidungen innerhalb eng definierter Zykluszeiten liefern. Bei Inspektionsraten von mehr als 60 Teilen pro Sekunde können bereits geringe Latenzschwankungen die Synchronisation mit Aktoren und speicherprogrammierbaren Steuerungen (SPS) beeinträchtigen.
Gleichzeitig sehen sich Hersteller mit steigenden Qualitätsanforderungen, zunehmenden Fachkräftemangel und wachsendem regulatorischem Druck in Bezug auf Rückverfolgbarkeit konfrontiert. Traditionelle, regelbasierte Bildverarbeitungssysteme stoßen an ihre Grenzen, wenn sie mit komplexen Fehlermustern, variablen Lichtverhältnissen oder einer hohen Produktvielfalt konfrontiert werden.
Die Integration von Deep Learning in die industrielle Inspektion beschränkt sich nicht darauf, nur ein neuronales Netzwerk hinzuzufügen. Sie erfordert eine sorgfältig konzipierte Edge-Architektur, die deterministische Leistung, industrielle Zuverlässigkeit und langfristige Skalierbarkeit gewährleistet.
Die eigentliche Herausforderung: Latenz, Determinismus und Integration
In Laborumgebungen wird die Leistungsfähigkeit der KI-Inferenz häufig in Bildern pro Sekunde gemessen. In der Fertigung gilt ein anderer Maßstab: die End-to-End-Entscheidungslatenz.
Ein industrielles KI-Inspektionssystem muss hochauflösende Bilder unter präzise kontrollierten Lichtbedingungen erfassen. Anschließend werden die Daten vorverarbeitet, normalisiert und zur KI-Verarbeitungseinheit übergeben – entweder im Prozessor integriert oder über eine dedizierte Beschleunigungseinheit. Danach werden die Ergebnisse nachverarbeitet und schließlich deterministische OK/NOK-Signale an die PLC übermittelt, um mechanische Aussortiersysteme auszulösen. Jeder dieser Schritte muss innerhalb eines streng definierten Zeitfensters stattfinden, damit der Produktionsfluss nicht gestört wird.
Cloudbasierte KI-Verarbeitung ist für solche Anwendungen aufgrund unvorhersehbarer Netzwerklatenzen und Bandbreitenbeschränkungen ungeeignet. Edge-KI – bei der die Inferenz lokal auf dem Gerät erfolgt – beseitigt Round-Trip-Verzögerungen und stellt sicher, dass sensible Produktionsdaten innerhalb des Werksnetzwerks verbleiben.
Neben der Latenz müssen weitere Anforderungen berücksichtigt werden: deterministische I/O-Synchronisation, Unterstützung industrieller Kommunikationsstandards wie OPC UA, TSN-Ethernet-Funktionen für deterministische Datenübertragung sowie, gegebenenfalls, Legacy-Protokolle wie Modbus/TCP. Hinzu kommen thermische Stabilität im Dauerbetrieb, lange Produktlebenszyklen sowie Cybersecurity- und Compliance-Anforderungen.
Kurz gesagt: KI-Bildverarbeitungssysteme müssen als industrielle Steuerungssysteme konzipiert werden – und nicht als KI-Geräte für Endverbraucher.
Edge KI als architektonische Grundlage
Edge-Computing-Plattformen mit integrierter KI-Beschleunigung sind zur architektonischen Basis moderner industrieller Inspektionssysteme geworden. Durch Prozessoren, die allgemeine Rechenleistung mit integrierten Neural Processing Units kombinieren, können Hersteller einen hohen Inferenzdurchsatz erzielen und gleichzeitig Leistungsaufnahme und Latenz kontrollierbar halten.
Aus softwaretechnischer Sicht profitiert dieser Ansatz von einer sicheren Embedded-Linux-Grundlage wie Clea OS von SECO, das auf Yocto basiert. Clea OS bietet:
- Unveränderliche Partitionierung mit A/B-Updates,
- Sicheren Systemstart und Firmware-Validierung,
- Unterstützung für containerisierte Anwendungen,
- Plattformübergreifende Hardware-Abstraktion.
Referenzarchitektur eines KI-gestützten Bildverarbeitungssystems
Eine typische KI-basierte Architektur für die optische Inspektion umfasst Industriekameras, die über GigE Vision oder USB angebunden sind, kontrollierte Beleuchtungssysteme wie LED-Ringleuchten oder Stroboskope, SPS-getriggerte Bilderfassung, eine Edge-Computing-Plattform mit KI-Beschleunigung, deterministische I/O-Schnittstellen zur Synchronisation sowie eine Kommunikationsschicht für den Echtzeitaustausch von Signalen mit der SPS.
Die Kommunikation mit der SPS erfolgt typischerweise über deterministische Industrial-Ethernet-Lösungen wie PROFINET, EtherCAT oder EtherNet/IP für Echtzeit-Regelkreise. OPC UA wird häufig für übergeordnete Kommunikation und Datenaustausch eingesetzt, auch in OPC-UA-PubSub-Architekturen in Kombination mit TSN.
In einem typischen KI-gestützten industriellen Bildverarbeitungssystem umfasst der Software-Stack:
- Embedded Linux (zum Beispiel eine Yocto-basierte Distribution),
- Kamera-SDK oder GStreamer-Pipeline,
- KI-Beschleuniger-SDK,
- Inspektionslogik auf Anwendungsebene.
Warum Computer-on-Modules für industrielle Bildverarbeitung entscheidend sind
Das Compute Module ist das Herz des Systems. Ein Design auf Basis offener Standards wie COM Express bietet erhebliche langfristige Vorteile.
Computer‑on‑Module‑(COM)-Architekturen trennen dabei klar zwischen:
- dem Rechenkern (CPU, Speicher, High‑Speed‑Interfaces),
- der anwendungsspezifischen Carrier‑Platine.
Diese Modularität ermöglicht Prozessor-Upgrades, ohne das gesamte System neu zu entwickeln. Sie reduziert Entwicklungs- und Validierungskosten, verlängert Produktlebenszyklen und schafft Flexibilität durch Multi-Vendor-Sourcing – ein wichtiger strategischer Faktor in volatilen Halbleitermärkten.
Für KI-basierte Inspektionen muss das Carrier Board genügend PCIe-Lanes bereitstellen, um einen M.2-KI-Beschleuniger zu integrieren, und gleichzeitig folgende Schnittstellen bieten:
- mehrere Gigabit- oder 2,5-GbE-Schnittstellen,
- isolierte GPIOs für Trigger-Signale,
- 24-V-tolerante digitale Eingänge,
- industrielle Kommunikationsschnittstellen.
SECOs SOM-COMe-BT6-PTL-Modul auf Basis von Intel® Core™ Ultra Prozessoren mit integrierter KI-Beschleunigung ist ein Beispiel dafür, wie COM Express Type 6 Plattformen industrielle Performance, integrierte NPU-Funktionalität und langfristige Roadmap-Kontinuität in einer modularen Architektur verbinden können.
Integration von KI-Beschleunigung in modernen Edge-Architekturen
Moderne industrielle Bildverarbeitungssysteme setzen zunehmend auf heterogene Computing-Architekturen, die leistungsstarke Multi-Core-CPUs mit integrierter KI-Beschleunigung kombinieren. Während externe Beschleunigerkarten für rechenintensive Anwendungen nach wie vor eine sinnvolle Option darstellen, verfügen viele aktuelle Edge-Plattformen mittlerweile über direkt in die Prozessorarchitektur integrierte Neural Processing Units (NPUs).
Diese Integration reduziert die Systemkomplexität, verkürzt Datenpfade und minimiert Latenzen, da unnötige Datentransfers zwischen separaten Komponenten vermieden werden. Gleichzeitig verbessert sie die Energieeffizienz und vereinfacht das thermische Design.
Solche Architekturen eignen sich besonders für anspruchsvolle industrielle Anwendungen wie Karosserieinspektion, PCB-Fehlererkennung, Verpackungskontrolle und Hochgeschwindigkeits-Sortierung in der Logistik.
Die tatsächliche End-to-End-Latenz hängt von der spezifischen Hardwarekonfiguration ab, einschließlich der Prozessorarchitektur, der verfügbaren KI-Beschleunigung, der Kameraeinstellung und der Modellkomplexität. Die Gewährleistung eines deterministischen Timings unter realen Betriebsbedingungen bleibt eine zentrale Anforderung für industrielle Bildverarbeitungsanwendungen.
Über die Inferenz hinaus: Skalierbarkeit, Sicherheit und Lebenszyklus
Industrielle Inspektionssysteme arbeiten nur selten als isolierte Geräte. OEMs benötigen zunehmend Transparenz auf Flottenebene, Remote-Update-Fähigkeiten und Datenorchestrierung.
Eine sichere, lebenszyklusfähige Betriebssystemgrundlage ist entscheidend, um KI-Inspektionssysteme über verteilte industrielle Umgebungen hinweg zu skalieren. Ein auf Yocto basierendes Betriebssystem, das mit Secure Boot, A/B-Partitionierung, signierten Updates und Unterstützung für containerisierte Workloads ausgestattet ist, stellt sicher, dass die Prüfknoten über lange Betriebszyklen hinweg aktualisierbar, überprüfbar und konform bleiben.
Diese Plattform ermöglicht die Aktualisierung von KI-Modellen unabhängig von der Basis-Firmware, unterstützt das Fernmanagement von Geräteflotten und vereinfacht die Anpassung an sich weiterentwickelnde Cybersicherheitsvorschriften wie den EU-Cyber-Resilience-Act (CRA) und die Anforderungen der RED-Richtlinie.
In diesem Sinne müssen Edge-KI-Plattformen nicht nur für Performance, sondern auch für sicheres Lifecycle Management entwickelt werden.
Fazit: Entwicklung für die industrielle Realität
Die Entwicklung eines KI-gestützten industriellen Bildverarbeitungssystems erfordert heute mehr, als ein neuronales Netz in einen Inspektionsprozess zu integrieren. Sie verlangt eine ganzheitliche Architektur auf Basis modularer Compute-Grundlagen, KI-nativer Hardwareplattformen mit integrierter Beschleunigung und sicherer Betriebssystemschichten für langfristiges Lifecycle Management.
Durch die Kombination offener Standards wie COM Express, heterogener Edge-KI-Architekturen und sicherer, flottenfähiger Softwaregrundlagen können Hersteller von Pilotinstallationen zu skalierbaren standortübergreifenden Implementierungen übergehen, ohne ihre Plattformen bei jedem Technologiesprung neu entwickeln zu müssen.
Die Weiterentwicklung der industriellen Bildverarbeitung dreht sich daher nicht nur um höhere TOPS oder schnellere Inferenz, sondern um deterministische, sichere und aktualisierbare Edge-KI-Systeme, die sich über das nächste Jahrzehnt hinweg gemeinsam mit den industriellen Anforderungen weiterentwickeln können.
Autor: Francesco Vaiani, Senior Product Manager bei SECO
