Verglichen mit Cloud Computing ist das Edge Computing im industriellen Umfeld laut Aceed oft die effizientere Architektur. Denn die KI-Entscheidungen müssen direkt an der Maschine, am Roboter oder am autonomen Fahrzeug getroffen werden - also „on the edge“. Abhängig vom Einsatz ist dann die Datenkommunikation mit der Cloud weniger zweckmäßig.

Entwicklungstrends wie autonomes Fahren und Robotikanwendungen zeigen das deutlich beim Thema Vision Computing. In beiden Fällen sind „Sehen“ und „Erkennen“ die wichtigsten Voraussetzungen für schnelle Entscheidungen vor Ort. Maschinelles Lernen und Deep Learning als Verfahren optimieren die Qualitätskontrolle mit optischer Inspektion, klassifizieren Fehler und ermöglichen Voraussagen und Trendentwicklungen bei der Maschinendiagnose.

Zwei Versionen verfügbar

Die beiden Modelle des Vision-Systems EOS-J unterscheiden sich nur durch ihre jeweils vier Kameraanschlüsse des Typs GigE oder USB 3.0. Kernelement des EOS-J ist der integrierte Jetson-TX2-Chip, der zusammen mit Kameras oder Frame Grabbern und den 32 isolierten industriegerechten IO-Schnittstellen ein System für den Einsatz im Edge Computing ergibt.

EOS-J ist mit einer Quadro-GPU mit Pascal-Architektur von Nvidia ausgestattet. Die Cortex-A57-Prozessoren von ARM 256 CUDA Cores unterstützen robustes Deep Learning und Inferenz-Anwendungen. Das System ist damit für Anforderungen wie die Fehlerinspektion oder die Objektklassifizierung in Fertigungsumgebungen vorbereitet.

Die Entwicklung anwendungsspezifischer Bildverarbeitungslösungen wird durch neuronale Modelle unterstützt, die mit Tools von Nvidia (Digits oder TensorRT) optimiert wurden. Solche Entwicklungen lassen sich direkt auf dem EOS-J einsetzten. Ein Gigabit-Ethernet-Anschluss und zwei Kommunikationsanschlüsse sowie ein HDMI-Ausgang unterstützen die Integration im Feld. Als Betriebssystem ist Ubuntu vorgesehen.