- AI
- Industries
- Edge Computing
KI für Sicherheit: Videoanalyse in Echtzeit mit 120 TOPS Rechenleistung
Das Modul SECO SOM-COMe-BT6-RK3588 ist eine leistungsstarke Embedded-Computing-Plattform für Machine Vision in Echtzeit am Edge. Durch integrierte KI-Inferenz, die die Bedrohungserkennung verbessert und das Bedienpersonal entlastet, steigert sie die Zuverlässigkeit von Überwachungskamerasystemen erheblich.

Kamera-Überwachungsstationen sind ein wesentlicher Bestandteil des modernen Lebens und kommen überall zum Einsatz, von Bürogebäuden über Krankenhäuser und Banken bis zu Museen. In diesen Stationen beobachten Sicherheitsmitarbeitende mehrere Videoströme auf Auffälligkeiten und gehen auftretenden Bedrohungen eilig nach. Doch ob die Bildschirme voller Menschen sind oder eine ganze Schicht lang leer bleiben: Anhaltende Daueraufmerksamkeit kann zu Ermüdung der Bediener führen, bei der geistige und körperliche Erschöpfung die Wirksamkeit beeinträchtigen.
So können beispielsweise wiederholte Fehlalarme zu einer Abstumpfung gegenüber Warnmeldungen führen, sodass echte Bedrohungen ignoriert werden. Ebenso führt Monotonie zu Konzentrationslücken, in denen anfängliche verdächtige Aktivitäten völlig übersehen werden. Und bis sich daraus echte Bedrohungen entwickeln, kann es für kleine Sicherheitsteams zu spät sein, noch aufzuholen, besonders in großen Gebäuden oder belebten Umgebungen.
Um die kognitive Belastung zu verringern, kann Artificial-Intelligence-Vision (KI-Vision) aktive wie potenzielle Bedrohungen über mehrere Videoströme hinweg automatisch und in Echtzeit hervorheben. Als Kraftmultiplikator hilft KI-Vision den Bedienern, sich in ruhigen Phasen auf relevante Bereiche zu konzentrieren oder ihren Einsatz in arbeitsintensiveren Schichten zu priorisieren. Die Kombination von KI mit Kamerasystemen löst ein drängendes, menschenzentriertes Sicherheitsproblem, doch die direkte Integration erfordert leistungsstarke Edge-basierte Rechenleistung für maximale Systemautonomie und Inferenz in Echtzeit.
Wie KI-Vision am Edge die Überwachung verbessert
Für die KI-Videoanalyse gibt es zwei Hauptansätze: die Verarbeitung am Edge und die Verarbeitung in der Cloud. Die Cloud kann zwar auf reichlich Rechenressourcen zurückgreifen, um die fortschrittlichste verfügbare Analyse durchzuführen, hat aber Nachteile, die den Sicherheitsbetrieb beeinträchtigen können.
Der größte Nachteil ist die Latenz, also die Zeit zwischen der Videoaufnahme und den daraus resultierenden Entscheidungen. Traditionell bezeichnet Latenz die Zeit, die Videodaten benötigen, um in die Cloud gesendet, dort analysiert und anschließend für die KI-Inferenz oder einen kombinierten Feed zurückgeliefert zu werden. Angesichts der Datenmengen hochauflösender Videos ist die Cloud-basierte Videoverarbeitung daher ungeeignet, um eine vorhersehbare Echtzeitleistung zu erreichen, die in Sicherheitsanwendungen wesentlich ist, weil sie das Reaktionsfenster für die Bediener maximiert. Das Problem wächst deutlich mit der Zahl der Kameras und mit Anwendungen, die eine Korrelation von Ereignissen über mehrere Feeds hinweg erfordern.
Die Verarbeitung am Edge löst dieses Problem, da die KI-Inferenz nahe an der Quelle und damit mit minimaler Latenz erfolgt. Die lokale Verarbeitung am Edge wird weder von der Zuverlässigkeit externer Netzwerke noch von Warteschlangen in Rechenzentren Dritter beeinflusst. Geschlossene, lokale Sicherheitsnetzwerke verbessern die Gesamtzuverlässigkeit des Systems und verringern das Risiko von Hackerangriffen. Wenn alle Videodaten im lokalen Netzwerk bleiben, entfallen laufende Datenübertragungs- und Cloud-Servicekosten. Das macht Edge-basierte Inferenz für Systemintegratoren im Bereich KI attraktiv.
Trotz der begrenzten Ressourcen von Edge-Hardware stehen viele anspruchsvolle KI-Vision-Modelle sofort für das Deployment zur Verfügung. Beispiele für Workloads in Sicherheitsanwendungen sind:
- Gesichtserkennung ermöglicht autorisiertem Personal den Zutritt zu Sperrbereichen oder meldet unbekannte Personen.
- Re-Identifikation (Re-ID) verfolgt Personen über verschiedene Bilder und getrennte Kamerafeeds hinweg, sodass verdächtige Personen in Menschenmengen oder über große Entfernungen nicht verloren gehen.
- Objekterkennung informiert Bediener über potenzielle Bedrohungen, indem sie Gegenstände wie Waffen, gestohlene Waren oder Warnwesten meldet (eine Verkleidung, mit der Handlungen unbeanstandet bleiben).
- Körperbewegungsverfolgung untersucht die Gesten einer Person, um aggressives oder verdächtiges Verhalten zu melden, etwa wenn jemand Überwachungskameras fixiert.
Ein CoM-basierter Ansatz für integrierte KI
Bei der Wahl von Edge-Plattformen für KI-Vision ist das Computer-on-Module (CoM) SOM-COMe-BT6-RK3588 eine innovative Lösung. Anders als die meisten COM-Express-Module, die in der Regel auf x86-Architekturen basieren, kombiniert das SOM-COMe-BT6-RK3588 ein Arm-basiertes Multi-Core-System-on-a-Chip (SoC) Rockchip RK3588 mit einer separaten Artificial Intelligence Processing Unit (AIPU) Axelera AI Metis. So ermöglicht es fortschrittliche KI-Vision innerhalb des engen Leistungsbudgets, das der offene Standard COM Express vorgibt.
Ein Großteil der KI-Verarbeitungsleistung des Moduls geht auf die Metis AIPU zurück, einen dedizierten integrierten Schaltkreis mit einer Energieeffizienz von rund 15 TOPS pro Watt und bis zu 120 TOPS KI-Leistung als Teil der gesamten Plattform SOM-COMe-BT6-RK3588. Das ermöglicht Edge-basierte Video-Inferenz über mehrere Kamerafeeds hinweg für eine umfassende Bedrohungserkennung in Echtzeit.
Diese Verarbeitungsarchitekturen werden durch bis zu 32 GB Speicher für die CPU und dedizierte 2 GB für die AIPU unterstützt und bieten reichlich Ressourcen für die Verwaltung von Videodaten während der KI-Analyse. Zu den wichtigsten Kameraschnittstellen gehören zwei MIPI-CSI-2-Lane-Anschlüsse und mehrere USB-Ports, mit einem einzelnen Ethernet-Port zur Anbindung an lokale Sicherheitsnetzwerke.
Wer Edge Computing über ein offenes, handelsübliches (COTS) CoM integriert, profitiert außerdem von beschleunigter Entwicklung, langfristiger Unterstützung ohne Herstellerbindung und flexibler, kompakter Integration über ein Carrier Board. Einmal entworfen, kann dieses Carrier Board mehrere Produktgenerationen abdecken und so die Time-to-Market verkürzen, wenn sich Sicherheitsanwendungen weiterentwickeln.
KI-Vision in Echtzeit mit Metis umsetzen
Das Axelera AI Voyager SDK bietet einen benutzerfreundlichen, durchgängig integrierten Software-Stack, der das Deployment von KI-Vision-Modellen auf der Metis AIPU vereinfacht. Ob eigene Modelle oder gängige Entwicklungs-Frameworks wie YOLO und ResNet: Das Voyager SDK kompiliert und optimiert die KI-Pipelines automatisch und erleichtert so die Einrichtung von Inferenz in Echtzeit. Weitere Informationen finden Sie im GitHub-Repository des Axelera AI Voyager SDK.
Zur Vervollständigung des Software-Ökosystems des SOM-COMe-BT6-RK3588 bietet Clea OS von SECO eine flexible, Yocto-basierte Plattform, die Ingenieure an die besonderen Anforderungen KI-gestützter Sicherheitsanwendungen anpassen können. Der modulare Aufbau beschleunigt die Low-Level-Entwicklung und vereinfacht den Zugriff auf die zahlreichen Prozessorkerne des SOM-COMe-BT6-RK3588, ganz gleich, ob das CoM in eine einzelne Kamera für Inferenz am Endpunkt integriert ist oder mehrere nahegelegene Kameras unterstützt, bevor die analysierten Feeds an die zentrale Sicherheitsstation weitergeleitet werden.
Eine schlankere Zukunft für KI-gestützte Überwachungskameras
Viele Unternehmen und öffentliche Einrichtungen scheinen ihre Sicherheitsteams zu verkleinern, um Ausgaben zu senken. KI-Vision kann eine entscheidende Rolle dabei spielen, die Wirksamkeit kleinerer Teams zu steigern und Probleme wie die Ermüdung der Bediener zu lösen. Das SOM-COMe-BT6-RK3588 ist eine kosteneffiziente Lösung, um fortschrittliche, energieeffiziente Inferenz in lokale Überwachungskamerasysteme zu bringen, möglich durch die hochintegrierte Kombination aus Metis AIPU, Voyager SDK und Clea OS.
Sicherheitsanwendungen sprechen deutlich dafür, Bediener mit KI-fähigen Kameras zu unterstützen, doch diese Lösungen eignen sich ebenso für die Fabrikautomatisierung und für Umgebungen mit hohem Anspruch an Arbeitsschutz. Hier können Gesichtserkennung, Re-ID, Objekterkennung und Körperbewegungsverfolgung sicherstellen, dass Beschäftigte angemessen geschützt sind und für die Bedienung der Anlagen, für die sie qualifiziert sind, einsatzfähig bleiben.
Erfahren Sie mehr über die Edge-Computing- und CoM-Plattformen von SECO auf seco.com und entdecken Sie im SECO App Hub, wie KI-Vision eingesetzt werden kann.
Abonnieren Sie den SECO Newsletter.
Melden Sie sich mit Ihrer E-Mail-Adresse auf seco.com an.




