Aktualisiert Juli 2026 · 8 Min. Lesezeit · Mert Aytunur · Mechanical Engineer, University of Illinois Chicago
Warum die Rechenleistung an die Kamera statt auf einen PC oder in die Cloud?
Die Inferenz auf eine Karte in der Kamera zu legen entfernt die zwei langsamsten und anfälligsten Glieder eines Bildverarbeitungssystems: den Weg zu einem separaten Industrie-PC und den Weg in die Cloud. Läuft das Modell dort, wo das Bild erfasst wird, fällt die Entscheidung am selben Ort wie die Messung; es gibt also keinen Bildtransfer, keinen Netzwerksprung und keine entfernte Abhängigkeit zwischen dem Sehen des Teils und der Ausgabe von Gut oder Schlecht. Genau diese Anordnung ist Edge-KI in der Sichtprüfung in der Praxis: Kamera, Modell und Entscheidung sitzen in einem Gerät an der Linie.
Der Timing-Fall ist der klarste. Ein gemessenes Feldergebnis von rund 30 ms pro Teil lässt fast kein Budget, ein Bild in voller Auflösung zu einer anderen Maschine zu schicken und auf Antwort zu warten. On-Device-Inferenz entfernt diesen Transfer vollständig, und deshalb macht der Ort der Rechenleistung, nicht nur das Modell, Entscheidungen bei Liniengeschwindigkeit realistisch. Adente Vision ist eine Edge-KI-Sichtprüfeinheit von ADENTE Advanced Engineering Technologies, Teil der Aden-Gruppe, vertrieben über Automatisierungs-Systemintegratoren, und sie rechnet die Inferenz auf einer lüfterlosen Karte der Jetson-Klasse im Gehäuse statt auf einem externen Server.
Der zweite Grund ist Unabhängigkeit. Eine Einheit, die auf ihrer eigenen Karte entscheidet, arbeitet weiter, wenn das Werksnetz überlastet oder ausgefallen ist, und sie schickt nie Rohbilder von der Linie. Für ein Werk, in dem die Bilder sensible Prozessdaten sind, trennt dieses On-Device-Design eine eigenständige Station von einer, die von Infrastruktur abhängt, die sie nicht kontrolliert.
Was liefert Edge-Rechenleistung der Jetson-Klasse mit 8-16 GB wirklich?
Edge-Rechenleistung der Jetson-Klasse ist ein kompaktes, GPU-beschleunigtes Modul für die Inferenz neuronaler Netze bei niedriger Leistung, und die 8-16 GB Speicher sind das, was ein echtes Prüfmodell an der Kamera statt auf einem Rack-Server laden und fahren lässt. Die GPU-Beschleunigung ist der entscheidende Teil: Bildmodelle sind parallele Arbeit, und ein kleiner Beschleuniger erledigt sie in Millisekunden, wo eine Allzweck-CPU stocken würde.
Die Speicherreserve hält das Modell ehrlich. Anomalie- und Fehlermodelle für die Oberflächenprüfung sind nicht winzig, und 8-16 GB geben Raum für das Netz plus die Bildpuffer und die klassische Bildverarbeitungsstufe, die daneben läuft. Adente Vision kombiniert klassische Bildverarbeitung für die Messung mit KI-Inferenz für das Urteil auf derselben Karte; die Rechenleistung muss also beides tragen, und das Speicherbudget ist für diese hybride Last dimensioniert, nicht für einen einzelnen leichten Klassifikator.
Weil das Modell auf einem dedizierten eingebetteten Beschleuniger läuft, ist sein Timing vorhersagbar. Die Katalogangabe zur Latenz ist konservativ 0,5 s pro Teil, das gemessene Feldergebnis rund 30 ms pro Teil; die Zahl, auf die Sie sich für einen konkreten Takt festlegen können, liegt in dieser Hüllkurve und braucht eine anwendungsspezifische Messung an Ihren Teilen und Ihrer Beleuchtung.
Warum zählt lüfterlos in einer Fabrik?
Lüfterlos heißt, die Karte wird durch Wärmeleitung über das Gehäuse gekühlt statt von einem Lüfter, der Fabrikluft darüber zieht, und das entfernt den häufigsten Ausfallpunkt von Elektronik auf dem Shopfloor. Ein Lüfter ist ein bewegliches Teil, das verschleißt, und ein offener Pfad, über den Staub, Ölnebel und Kühlmittel-Aerosol die Karte erreichen.
Fabrikluft ist keine Reinraumluft. Zerspanungskühlmittel, Kunststoffstaub, Schweißrauch und Verpackungsfasern zirkulieren um eine Produktionszelle, und jede lüftergekühlte Box saugt sie an, bis der Kühlkörper zusetzt und die Temperatur steigt. Ein gedichtetes, lüfterloses Design umgeht das: Ohne Lüfter und ohne Öffnungen trägt dasselbe Gehäuse, das Verschmutzung draußen hält, die Wärme über seinen Körper hinaus, und das lässt die Einheit in der Standardkonfiguration einen Bereich von 0-45 C halten, ohne Luftpfad in die Elektronik.
Der Kompromiss eines lüfterlosen Designs ist ein engeres Wärmebudget, und genau deshalb ist die Rechenleistung ein eingebettetes Niedrigleistungsmodul statt einer Desktop-GPU. Die Ingenieursentscheidung ist bewusst: Wählen Sie ein Teil der Jetson-Klasse, dessen Leistungsumfang sich passiv kühlen lässt, und Sie bekommen einen Prüfrechner, der die Umgebung überlebt, in der er installiert ist. Den vollständigen mechanischen, elektrischen und thermischen Umfang der Einheit zeigt der Schwesterbeitrag zum Einpassen einer Prüfeinheit in eine reale Zelle.
Wie viele Daten und wie viel Zeit braucht das On-Device-Training?
Die On-Device-Prüfung verlangt keinen großen Datensatz: Das Modell trainiert aus rund 20 guten Referenzbildern, mit Training in unter 48 Stunden. Weil der Ansatz lernt, wie ein Gutteil aussieht, und Abweichung meldet, liefern Sie Gutteile statt eines Katalogs jedes möglichen Fehlers, und genau das hält den Datenbedarf klein.
Dieser Kleine-Daten-Pfad macht Edge-Inferenz praktisch ausrollbar und änderbar. Ein neues Teil oder eine Variante wird zu einer Erfassen-und-Trainieren-Aufgabe von ein paar Tagen, nicht zu einem monatelangen Datensammelprojekt, und das trainierte Modell läuft auf derselben lüfterlosen Karte ohne Hardwareänderung. Die Einheit fährt fünf Modi, Anomalie- & Defekterkennung, Montage & fehlende Teile, Code-Lesung, Messung und Teile-Identifikation, und Updates laden per USB-Stick, sodass eine Air-Gapped-Linie ohne Netzwerkverbindung nachtrainiert werden kann.
Die Edge-Rechen-Spezifikation an der Kamera
Die Tabelle unten fasst zusammen, was "die Inferenz an der Kamera" in Spezifikationsbegriffen bedeutet. Behandeln Sie die beiden Latenzwerte als Hüllkurve, die konservative Katalogangabe und das gemessene Feldergebnis, nicht als eine garantierte Taktzeit für jedes Teil.
| Spezifikation | Wert | Warum es zählt |
|---|---|---|
| Rechenmodul | NVIDIA Jetson-Klasse, 8-16 GB | GPU-beschleunigte Inferenz lädt und fährt das hybride Modell an der Kamera |
| Kühlung | Lüfterlos, gedichtetes Gehäuse | Kein Lüfter, der ausfällt oder Staub, Ölnebel und Kühlmittel-Aerosol ansaugt |
| Inferenzlatenz | ~30 ms gemessenes Feldergebnis; 0,5 s Katalogangabe | Entscheidungen bei Liniengeschwindigkeit ohne Bildtransfer zu PC oder Cloud |
| Trainingsdaten und -zeit | ~20 gute Bilder, unter 48 Stunden | Auf dem Gerät ausrollen und ändern, ohne großen Fehlerdatensatz |
| Datenpfad | On-Device, Updates per USB | Rohbilder der Teile bleiben an der Linie; Air-Gapped-Nachtraining wird unterstützt |
Hält On-Device-Inferenz die Daten an der Linie?
On-Device-Inferenz hält Rohbilder der Teile an der Linie, weil das Bild auf derselben Karte erfasst, beurteilt und verworfen wird und nur das Ergebnis, ein Gut oder Schlecht, eine Klasse, eine Messung, die Einheit über den Feldbus verlässt. Nichts am Design verlangt, dass ein Bild zu einem Server oder in die Cloud reist, um zu einer Entscheidung zu kommen.
Für ein Werk, in dem Teilebilder sensibel sind, ist das eine Datenhoheits-Eigenschaft, nicht nur eine Performance-Eigenschaft. Das Bild wird nie zur Datei auf einem entfernten System, und Modell-Updates kommen per USB, sodass selbst eine Air-Gapped-Zelle gepflegt werden kann. Den breiteren Vergleich von Edge und Cloud bei Latenz und Datenhoheit zeigt der Schwesterbeitrag zu Edge vs. Cloud in der Sichtprüfung. Die vollständige Einheit beschreibt die Adente-Vision-Systemseite, und die Methode liegt im Leitfaden zur KI-Sichtprüfung.