Das SECO SOM-COMe-BT6-RK3588 Modul bietet eine leistungsstarke Embedded-Computing-Plattform für Echtzeit-Maschinenvision am Edge, um die Zuverlässigkeit von Sicherheitskamerasystemen durch integrierte KI-Inferenz, die die Bedrohungserkennung verbessert und die Belastung der menschlichen Bediener verringert, erheblich zu steigern.
Kameramonitoringstationen sind ein wesentlicher Bestandteil des modernen Lebens und dienen allem, von Bürogebäuden über Krankenhäuser, Banken bis hin zu Museen. In diesen Stationen scannen Sicherheitsmitarbeiter mehrere Video-Feeds nach Anomalien und eilen, um Bedrohungen zu untersuchen, sobald sie auftreten. Aber ob die Bildschirme mit Menschenmengen gefüllt sind oder während einer gesamten Schicht leer bleiben, anhaltende Hypervigilanz kann zu Ermüdung der Bediener führen, bei der geistige und körperliche Erschöpfung die Effektivität beeinträchtigen.
Zum Beispiel können wiederholte Fehlalarme zu einer Desensibilisierung gegenüber Warnungen führen und dazu führen, dass echte Bedrohungen ignoriert werden. Ebenso führt Monotonie zu Konzentrationslücken, bei denen anfängliche verdächtige Aktivitäten vollständig übersehen werden. Und wenn sich diese zu echten Bedrohungen entwickeln, kann es für begrenzte Sicherheitsteams zu spät sein, insbesondere in großen Gebäuden oder belebten Umgebungen.
Um die kognitive Belastung zu verringern, kann künstliche Intelligenz (KI) in der Bildverarbeitung sowohl aktive als auch potenzielle Bedrohungen in Echtzeit über mehrere Video-Feeds hervorheben. Als Kraftmultiplikator hilft KI der menschlichen Bediener, sich auf relevante Bereiche zu konzentrieren, wenn es ruhig ist, oder die Anstrengung während geschäftigerer Schichten zu priorisieren. Die Kombination von KI mit Kamerasystemen löst ein dringendes, menschenzentriertes Sicherheitsproblem, aber die direkte Integration erfordert leistungsstarke, auf Edge-basierte Rechenleistung für maximale Systemautonomie und Echtzeit-Inferenz.
Wie KI-Vision am Edge die Überwachung verbessert
Die KI-Videoanalyse bietet zwei Hauptansätze: Edge-basierte Verarbeitung und Verarbeitung in der Cloud. Während letztere reichlich Rechenressourcen nutzen kann, um die fortschrittlichste verfügbare Analyse durchzuführen, bringt sie Nachteile mit sich, die Sicherheitsoperationen beeinträchtigen können.
Der Hauptnachteil ist die Latenz – die Zeit zwischen der Videoaufnahme und den resultierenden Entscheidungen. Traditionell bezieht sich Latenz auf die Zeit, die benötigt wird, um Videodaten in die Cloud zu senden, zu analysieren und dann für KI-Inferenz oder einen kombinierten Feed zurückzugeben. Angesichts der Datenmengen für hochauflösendes Video ist dies unklug, um eine vorhersehbare Echtzeit-Performance zu erreichen, die in Sicherheitsanwendungen unerlässlich ist, da sie das Reaktionsfenster für Bediener maximiert. Das Problem vergrößert sich erheblich mit der Anzahl der Kameras und Anwendungen, die eine Kreuzkorrelation von Ereignissen über mehrere Feeds erfordern.
Edge-basierte Verarbeitung löst dieses Problem, da die KI-Inferenz nahe an der Quelle für minimale Latenz erfolgt. Lokale, Edge-basierte Verarbeitung wird nicht von der Zuverlässigkeit externer Netzwerke oder der Job-Warteschlange in Drittanbieter-Rechenzentren beeinflusst. Geschlossene, lokalisierte Sicherheitsnetzwerke verbessern die Gesamtzuverlässigkeit des Systems und verringern das Risiko von Hacking. Das Halten aller Videodaten innerhalb eines lokalen Netzwerks kann laufende Datenübertragungs- und Cloud-basierte Servicekosten eliminieren, was Edge-basierte Inferenz für KI-Systemintegratoren attraktiv macht.
Trotz der Ressourcenbeschränkungen von Edge-Hardware sind viele ausgeklügelte KI-Vision-Modelle bereit für den Einsatz. Beispiel-Workloads für Sicherheitsanwendungen umfassen:
- Gesichtserkennung erleichtert zugelassenem Personal den Zugang zu eingeschränkten Bereichen oder markiert nicht erkannte Personen.
- Re-Identifikation (Re-ID) verfolgt Personen über verschiedene Bilder und separate Kamera-Feeds, sodass verdächtige Parteien nicht in Menschenmengen oder über große Entfernungen verloren gehen.
- Objekterkennung informiert Bediener über potenzielle Bedrohungen, indem sie Gegenstände wie Waffen, gestohlene Gegenstände oder Warnwesten (eine Tarnung, die es ermöglicht, Handlungen unangefochten durchzuführen) markiert.
- Körperbewegungsverfolgung untersucht die Gesten einer Person, um aggressives oder verdächtiges Verhalten zu markieren, wie z. B. das Fokussieren auf Sicherheitskameras.
Ein CoM-basierter Ansatz für integrierte KI
Bei der Betrachtung von Edge-Plattformen für KI-Vision ist das SOM-COMe-BT6-RK3588 Computer-on-Module (CoM) eine innovative Lösung. Im Gegensatz zu den meisten COM-Express-Modulen, die typischerweise x86-Architekturen aufweisen, kombiniert das SOM-COMe-BT6-RK3588 ein Arm-basiertes Rockchip RK3588 Multi-Core-Prozessorsystem-on-a-Chip (SoC) mit einer separaten Axelera AI Metis künstlichen Intelligenz-Verarbeitungseinheit (AIPU), um fortschrittliche KI-Vision innerhalb des engen Leistungsbereichs zu ermöglichen, der durch den COM-Express-Open-Standard definiert ist.
Ein Großteil der KI-Verarbeitungsfähigkeit des Moduls verdankt sich der Metis AIPU, einem dedizierten integrierten Schaltkreis, der eine Energieeffizienz von etwa 15 TOPS pro Watt für bis zu 120 TOPS KI-Leistung als Teil der vollständigen SOM-COMe-BT6-RK3588-Plattform bietet. Dies unterstützt Edge-basierte Videoinferenz über mehrere Kamera-Feeds für umfassende Echtzeit-Bedrohungserkennung.
Diese Verarbeitungsarchitekturen werden von bis zu 32 GB Speicher für die CPU und 2 GB für die AIPU unterstützt, was reichlich Ressourcen für das Videodatenmanagement während der KI-Analyse bietet. Wichtige Kamera-Schnittstellen umfassen zwei MIPI-CSI 2-Lane-Anschlüsse und mehrere USB-Ports sowie einen einzigen Ethernet-Port für die Schnittstelle mit lokalen Sicherheitsnetzwerken.
Durch die Integration von Edge-Computing über ein Open-Standard-Commercial-Off-the-Shelf (COTS) CoM profitieren Entwickler auch von beschleunigter Entwicklung, langfristiger Unterstützung ohne Anbieterbindung und flexibler, kompakter Integration über eine Trägerplatine. Sobald diese Trägerplatine entworfen ist, kann sie dann mehreren Produktgenerationen dienen, um die Markteinführungszeit zu verkürzen, während sich Sicherheitsanwendungen weiterentwickeln.
Implementierung von Echtzeit-KI-Vision mit Metis
Das Axelera AI Voyager SDK bietet einen benutzerfreundlichen, durchgängigen integrierten Software-Stack, der die Bereitstellung von KI-Vision-Modellen auf der Metis AIPU vereinfacht. Ob mit proprietären Modellen oder beliebten Entwicklungsframeworks wie YOLO und ResNet, das Voyager SDK kompiliert und optimiert die KI-Pipelines automatisch für eine einfachere Einrichtung der Echtzeit-Inferenz. Weitere Informationen finden Sie im Axelera AI Voyager SDK GitHub-Repository.
Um das Software-Ökosystem des SOM-COMe-BT6-RK3588 zu vervollständigen, bietet SECOs Clea OS eine flexible, Yocto-basierte Plattform, die Ingenieure anpassen können, um die spezifischen Anforderungen von KI-fähigen Sicherheitsanwendungen zu erfüllen. Seine modulare Natur beschleunigt die Entwicklung auf niedriger Ebene und vereinfacht den Zugriff auf die vielen On-Board-Verarbeitungskerne des SOM-COMe-BT6-RK3588, unabhängig davon, ob das CoM in eine einzelne Kamera für Endpunkt-Inferenz integriert ist oder mehrere nahegelegene Kameras unterstützt, bevor analysierte Feeds an die Hauptsicherheitsstation weitergeleitet werden.
Eine optimierte Zukunft für KI-gesteuerte Sicherheitskameras
Viele Unternehmen und öffentliche Dienste scheinen die Sicherheit zu verkleinern, um Ausgaben zu reduzieren. KI-Vision kann eine entscheidende Rolle dabei spielen, die Effektivität kleinerer Teams zu steigern und Probleme wie Bedienerermüdung zu lösen. Das SOM-COMe-BT6-RK3588 bietet eine kostengünstige Lösung, um fortschrittliche, energieeffiziente Inferenz in lokale Sicherheitskamerasysteme zu bringen, erreicht durch eine hochintegrierte Kombination einschließlich der Metis AIPU, Voyager SDK und Clea OS.
Während Sicherheitsanwendungen einen starken Fall für die Unterstützung von Bedienern mit KI-fähigen Kameras darstellen, sind diese Lösungen auch gut geeignet für die Fabrikautomatisierung und sicherheitsbewusste Umgebungen. Hier können Gesichtserkennung, Re-ID, Objekterkennung und Körperbewegungsverfolgung sicherstellen, dass Arbeiter ordnungsgemäß geschützt sind und in der Lage bleiben, Geräte zu bedienen, für die sie qualifiziert sind.
Erfahren Sie mehr über SECOS Edge-Computing- und CoM-Plattformen auf seco.com und entdecken Sie, wie KI-Vision im SECO App Hub eingesetzt werden kann.