text.skipToContent text.skipToNavigation

Technologie der Machine Vision Controller

Machine Vision Controller sind Auswerteeinheiten zur Bildverarbeitung mit Datenverarbeitung und Ergebnisausgabe. Sie werden üblicherweise für die Auswertung von Multikamera- oder Multiprofil-Applikationen eingesetzt.

Was ist ein Machine Vision Controller?

Machine Vision Controller sind Computer, die in anspruchsvollen und industriellen Umgebungen eingesetzt werden. Im Gegensatz zu herkömmlichen Bürocomputern zeichnen sich Machine Vision Controller durch einen ausfallsicheren Dauerbetrieb, eine höhere IP-Schutzklasse, Robustheit gegenüber Vibrationen und Staub, erweiterte Betriebstemperaturbereiche sowie eine hohe Langzeitverfügbarkeit aus. Einsatzmöglichkeiten finden sich z. B. in Produktionsanlagen unterschiedlichster Branchen wie Automobil, Metall, Logistik, Lebensmittel, Pharma oder Energie.

Aufgaben eines Machine Vision Controllers

Leistungsstarke Prozessoren ermöglichen verschiedene Funktionen und Aufgaben in der industriellen Bildverarbeitung. Beispiele hierfür sind:

Steuerung und Überwachung

Durch die Überwachung und Steuerung von Maschinen, Anlagen und Prozessen in der Produktion mithilfe eines Machine Vision Systems kann die Effizienz der Fertigung deutlich gesteigert werden. Der Controller ermöglicht eine präzise Steuerung und Echtzeitüberwachung.

Analyse und Datenerfassung

Die Controller erfassen die von Kameras, Profilsensoren und weiteren Geräten aufgenommenen Daten zur Weiterverarbeitung. Anschließend werden die Daten über eine herstellerspezifische Software verarbeitet, analysiert und visualisiert.

Schnittstelle zwischen Bediener und System

Eine benutzerfreundliche Bedienung ist für die Überwachung und Steuerung der Fertigungsanlage wichtig, da der Controller das Bindeglied zwischen dem menschlichen Bediener und dem automatisierten System darstellt. Dabei wird häufig auf herkömmliche Betriebssysteme wie Linux zurückgegriffen.

Konnektivität und Kommunikation

Die Industrie-Controller verfügen über mehrere Schnittstellen, um eine nahtlose Konnektivität und Kommunikation zwischen den eingesetzten Erfassungsgeräten und Aktionskomponenten in einem industriellen Automatisierungssystem sicherzustellen. Dabei können auch Echtzeitverbindungen genutzt werden. Dies ist besonders wichtig für Feldbussysteme wie PROFIBUS oder EtherCAT etc.

Individuelle Anpassung

Je nach Einsatzgebiet können Machine Vision Controller durch unterschiedliche Hardwarekomponenten wie Prozessoren und Speichermedien spezifisch an verschiedene Anforderungen angepasst werden.

Der Unterschied zwischen Machine Vision Controller und Smart Devices

Machine Vision Controller

Geeignet für Anwendungen, bei denen mehrere Kameras oder Profilsensoren zur Auswertung benötigt werden
Niedrigere Prozesszeiten durch höhere Rechenleistung
Bild- und Profilauswertung erfolgt auf dem Controller
Geeignet für Inspektionsaufgaben mit sehr hoher Auflösung

Smart Devices

Geeignet für Anwendungen, bei denen nur eine Kamera oder ein Profilsensor zur Auswertung benötigt wird
Bild- und Profilauswertung erfolgt auf vorinstallierter Software in der Kamera oder im Profilsensor
Ergebnisausgabe über integrierte Schnittstellen
Kein zusätzlicher Machine Vision Controller notwendig

Aufbau und Komponenten eines Machine Vision Controllers

CPU (Prozessor)

Die CPU ist das Herzstück des Machine Vision Controllers und sorgt für die Rechenleistung. Je nach Anwendung wird der passende Prozessor ausgewählt. Die Machine Vision Controller von wenglor haben leistungsstarke i7 Prozessoren.

Mainboard

Auf dem Mainboard sind sämtliche Komponenten verbaut, die für den Betrieb eines Industrie-PCs erforderlich sind. Hierzu gehören der Prozessor, der Arbeitsspeicher, die Massenspeicher, der Chipsatz, die Grafik sowie Bausteine für Schnittstellen und weitere essenzielle Komponenten.

Speicher (RAM und Festplatte)

Der Arbeitsspeicher, auch bekannt als RAM (Random Access Memory), speichert die Daten, die der Prozessor für eine schnelle und kurzfristige Verarbeitung benötigt. Der Arbeitsspeicher lässt sich mit dem Hubraum eines Verbrennungsmotors vergleichen: Ein ausreichend großer Arbeitsspeicher ermöglicht es dem Prozessor, seine volle Leistung zu entfalten.

Schnittstellen

Die Controller verfügen über einige Schnittstellen, um mit den Kameras und anderen Geräten kommunizieren zu können, darunter

RTE
- PROFINET
- Ethernet IP
- EtherCAT
Ethernet TCP/IP
UDP
Digital I/O
SFTP

Kühlung

Viele Industrie PCs sind an Orten verbaut, wo es heiß ist, wie z. B. in Gießereien. Aus diesem Grund muss das Kühlsystem effizient sein, um Temperaturen unter Kontrolle zu halten. Dabei wird zwischen einer passiven und aktiven Kühlung unterschieden.

Grafikkarte

Je nach Anwendung kann eine Grafikkarte in den Machine Vision Controllern erforderlich sein. Eine Grafikkarte in einem Industrie-PC spielt eine wichtige Rolle bei der Verarbeitung und Darstellung von Daten.

Die Unterschiede der Schnittstellen

Ethernet TCP/IP

Ethernet TCP/IP steht für „Transmission Control Protocol/Internet Protocol“ und ist ein Datenübertragungsprotokoll, das es ermöglicht, in Pakete zerlegte Daten zuverlässig zu adressieren und an die am Netz angeschlossenen Teilnehmergeräte zu übertragen. Es wird sichergestellt, dass jedes Datenpaket ankommt. Ist dies nicht der Fall, wird es erneut gesendet.

UDP

UDP (User Datagram Protocol) ist ein Netzwerkprotokoll, das die verbindungslose Übertragung von Daten in IP-basierten Rechnernetzen ermöglicht. Verbindungslos bedeutet, dass die Daten ohne gegenseitige Authentifizierung zwischen Sender und Empfänger versendet werden. Bei UDP steht die Geschwindigkeit im Vordergrund.

SFTP

SFTP (Secure File Transfer Protocol) ist ein Dateiübertragungsprotokoll für IP-basierte Netzwerke, das zur verschlüsselten Übertragung von Daten verwendet wird. Typischerweise werden Daten vom Client zum Server hochgeladen und vom Server zum Client heruntergeladen.

DIO (Digital Input/Output)

DIO (Digital Input/Output) geben digitale Signale von z. B. Sensoren oder Kameras effizient und direkt an andere Steuerungen (SPS) weiter. Beispielsweise wird über einen digitalen Eingang eine Impulsfolge eine Bildaufnahme auslöst. Gleichzeitig kann über einen digitalen Ausgang eine Beleuchtung getriggert werden.

RTE (Real-Time Ethernet)

RTE (Real Time Ethernet) ist eine auf IP-Protokollen basierende Echtzeit-Ethernet-Umgebung, die hauptsächlich in der Automatisierungstechnik zur Anbindung dezentraler Peripherie an eine Steuerung eingesetzt wird. Dazu gehören u.a. PROFINET, Ethernet IP, EtherCAT. Unter Echtzeit versteht man in der Fabrikautomation Zykluszeiten im einstelligen Millisekundenbereich.

Anforderungen für Controller mit KI Tools

Neue Funktionen und smarte Erweiterungen in der KI machen den gezielten Einsatz leistungsfähiger Hardware unverzichtbar. Mit der passenden Kombination aus Rechenleistung und dedizierter AI-Hardware lassen sich KI-Anwendungen deutlich beschleunigen – oft 5- bis 10-mal schneller als mit herkömmlichen Systemen.

Rechenleistung und Hardware

Prozessor (CPU)	Da KI-Tools häufig umfangreiche Rechenleistungen benötigen, sollte der Industrie-PC mit einer leistungsstarken CPU ausgestattet sein. Für Deep-Learning-Anwendungen sind Mehrkernprozessoren besonders vorteilhaft, da sie parallele Berechnungen effizient ermöglichen.
Grafikkarte (GPU)	Für die Bildverarbeitung und insbesondere bei KI- und Deep-Learning-Anwendungen ist eine leistungsstarke GPU essenziell. GPUs liefern die erforderliche Rechenleistung, um maschinelles Lernen sowie parallele Bildverarbeitungsprozesse effizient zu beschleunigen.
Neural Processing Unit (NPU)	Eine NPU (Neural Processing Unit) ist ein spezialisiertes Hardwaremodul, das gezielt zur Beschleunigung der Berechnungen in neuronalen Netzwerken und maschinellen Lernmodellen entwickelt wurde. Sie ist speziell auf Künstliche Intelligenz, insbesondere Deep Learning und Inferenzprozesse, optimiert. NPUs steigern die Effizienz und Geschwindigkeit von AI-Anwendungen, indem sie typische Rechenaufgaben von CPUs und GPUs übernehmen – jedoch mit deutlich höherer Leistung und gleichzeitig besserer Energieeffizienz. Dank dieser verbesserten Energieeffizienz entsteht weniger Verlustleistung als bei GPUs, was insbesondere im industriellen Umfeld von großer Bedeutung ist, wo häufig passive Kühlung eingesetzt wird.
RAM und Speicher	Ausreichend Arbeitsspeicher – mindestens 16 GB, idealerweise 32 GB oder mehr – ist entscheidend, um große Datenmengen effizient zu verarbeiten. Insbesondere Bilddaten von Kameras erfordern viel Speicher, da sie im RAM durch Algorithmen und KI-Anwendungen analysiert werden. Oft laufen zahlreiche Bildquellen und Auswertungen parallel, was den Bedarf an Speicher weiter erhöht. Zudem wachsen KI-Modelle kontinuierlich und benötigen zunehmend mehr Kapazität. Für einen schnellen Datenzugriff sollten SSDs (Solid State Drives) bevorzugt zum Einsatz kommen.

Neben der Rechenleistung und den Hardwarekomponenten kommt auch der Nutzung von KI-Softwarebeschleunigern eine entscheidende Bedeutung zu. Im Vergleich zu herkömmlichen Softwarelösungen können damit Beschleunigungsfaktoren von zwei bis drei erzielt werden, was die Systemperformance deutlich steigert. Für eine optimale Echtzeitverarbeitung ist eine enge Abstimmung zwischen Software und Hardware unerlässlich, um möglichst kurze Prozesszeiten zu gewährleisten.

Prozessor (CPU)
Da KI-Tools häufig umfangreiche Rechenleistungen benötigen, sollte der Industrie-PC mit einer leistungsstarken CPU ausgestattet sein. Für Deep-Learning-Anwendungen sind Mehrkernprozessoren besonders vorteilhaft, da sie parallele Berechnungen effizient ermöglichen.
Grafikkarte (GPU)
Für die Bildverarbeitung und insbesondere bei KI- und Deep-Learning-Anwendungen ist eine leistungsstarke GPU essenziell. GPUs liefern die erforderliche Rechenleistung, um maschinelles Lernen sowie parallele Bildverarbeitungsprozesse effizient zu beschleunigen.
Neural Processing Unit (NPU)
Eine NPU (Neural Processing Unit) ist ein spezialisiertes Hardwaremodul, das gezielt zur Beschleunigung der Berechnungen in neuronalen Netzwerken und maschinellen Lernmodellen entwickelt wurde. Sie ist speziell auf Künstliche Intelligenz, insbesondere Deep Learning und Inferenzprozesse, optimiert. NPUs steigern die Effizienz und Geschwindigkeit von AI-Anwendungen, indem sie typische Rechenaufgaben von CPUs und GPUs übernehmen – jedoch mit deutlich höherer Leistung und gleichzeitig besserer Energieeffizienz. Dank dieser verbesserten Energieeffizienz entsteht weniger Verlustleistung als bei GPUs, was insbesondere im industriellen Umfeld von großer Bedeutung ist, wo häufig passive Kühlung eingesetzt wird.
RAM und Speicher
Ausreichend Arbeitsspeicher – mindestens 16 GB, idealerweise 32 GB oder mehr – ist entscheidend, um große Datenmengen effizient zu verarbeiten. Insbesondere Bilddaten von Kameras erfordern viel Speicher, da sie im RAM durch Algorithmen und KI-Anwendungen analysiert werden. Oft laufen zahlreiche Bildquellen und Auswertungen parallel, was den Bedarf an Speicher weiter erhöht. Zudem wachsen KI-Modelle kontinuierlich und benötigen zunehmend mehr Kapazität. Für einen schnellen Datenzugriff sollten SSDs (Solid State Drives) bevorzugt zum Einsatz kommen.

Robuste Hardware für leistungsstarke Controller

Für eine stabile und zuverlässige Anlage muss der Controller den hohen Anforderungen in der Industrieumgebung standhalten.

Wärmeentwicklung und Kühlung: Hohe Rechenleistung erfordert eine effiziente Wärmeabfuhr, um Überhitzung und Systemausfälle zu vermeiden. Industrielle Controller sind häufig mit speziellen Kühltechnologien ausgestattet oder verfügen sogar über lüfterlose Designs, die sich besonders in staubigen und schmutzigen Umgebungen bewähren und gleichzeitig den Wartungsaufwand reduzieren.

Um einen Industrie-PC für industrielle Bildverarbeitung mit AI-Tools optimal einzusetzen, müssen sowohl die Hardware-Anforderungen – wie leistungsstarke CPU, GPU, NPU, ausreichend RAM und schneller Speicher – als auch die Software- und Schnittstellenkompatibilität sorgfältig berücksichtigt werden. Dabei ist die Wahl eines robusten und zuverlässigen Systems entscheidend, das sich nahtlos in die industrielle Umgebung einfügt und sich flexibel erweitern sowie integrieren lässt.

Flexibler Einsatz von Machine Vision Controllern

Ein Machine Vision Controller ist ein Bestandteil eines Bildverarbeitungssystem. Zu einem vollständigen Bildverarbeitungssystems gehören neben dem Machine Vision Controller die folgenden Komponenten, die wenglor anbietet:

Bildverarbeitungssoftware uniVision

2D-/3D-Profilsensoren

Machine Vision Cameras

Beleuchtungstechnik

Objektive

Objektivfilter

Einsatzmöglichkeiten von Machine Vision Controllern

Machine Vision Controller mit Machine Vision Cameras

Visuelle „End of Line“-Qualitätsinspektion von Motorblöcken

Bei der Motorenfertigung in der Automobilindustrie muss am Ende jeder Fertigungsstrecke eine visuelle, vollautomatische „End of Line“-Qualitätskontrolle durchgeführt werden. So wird verhindert, dass fehlerhafte Motoren das Band verlassen.

Labelkontrolle an Streichkäseverpackungen

Bei der Abfüllung unterschiedlicher Streichkäsesorten muss sichergestellt werden, dass auf jede Verpackung der richtige Deckel samt Logo aufgebracht wird. Da mehrmals pro Tag die Sorten gewechselt werden, darf es zu keiner Verwechslung von Deckel und Inhalt kommen.

Visuelle Qualitätsinspektion an Pkw-Innentüren

In der Automobilindustrie muss die Qualität einzelner Komponenten von Pkw-Innentüren wie z. B. Fensterhebern oder Armauflagen visuell bei unterschiedlichen Türentypen überprüft werden. Hierzu wird ein Visionsystem bestehend aus mehreren Kameras, Objektiven, Beleuchtungen und einer Control Unit installiert.

Machine Vision Controller mit 2D-/3D-Profilsensoren

Breitenmessung von Stahlbändern

Bei der Herstellung von Bandstahl muss die exakte Breite des Bandes sichergestellt werden. Um diese Messung mikrometergenau durchzuführen, werden mehrere 2D-/3D-Profilsensoren in einer Linie über dem Stahlband installiert.

Höhen- und Breitenkontrolle von Gebäckstücken

Bei der Herstellung von Backwaren mit Schokoglasur muss zur Qualitätskontrolle die genaue Höhe und Breite der Gebäckstücke ermittelt werden. Dazu wird oberhalb der Förderstrecke ein 2D-/3D-Profilsensor mit großem Messbereich installiert, der alle Kekse über die gesamte Bahnbreite hinweg mikrometergenau vermisst.

Kantenvermessung von Klick-Parkett

Bei der Herstellung von Klick-Parkett muss die Qualität der Brettgeometrie lückenlos im laufenden Betrieb sichergestellt werden. Je passgenauer die Klick-Kanten verbunden sind, desto höher die Qualität. Mit der Zeit nutzen sich die verwendeten Fräswerkzeuge allerdings ab, was zu Ausschuss führt.

Produktvergleich

3/4

4/4

5/4

6/4