Funktionsbaukasten für automatische Checkoutsysteme im Retail

Kassenbon inkl.

Funktionsbaukasten für automatische Checkoutsysteme im Retail

Congatec, Basler und NXP Semiconductors haben gemeinsam einen Funktionsbaukasten für eine Retail Deep Learning Applikation entwickelt. Die Plattform nutzt KI, um den Checkoutprozess im Einzelhandel vollständig zu automatisieren.

 Das Embedded-Vision-System von Congatec und Basler mit KI von irda Labs ist die erste Entwicklungsstufe der Zusammenarbeit beider 
Firmen. Eine Lösung mit KI auf Basis von Sparse Modeling ist in Vorbereitung und wird voraussichtlich zur Embedded World 2020 präsentiert. (Bild: congatec AG)

Das Embedded-Vision-System von Congatec und Basler mit KI von irda Labs ist die erste Entwicklungsstufe der Zusammenarbeit beider Firmen. Eine Lösung mit KI auf Basis von Sparse Modeling ist in Vorbereitung und wird voraussichtlich zur Embedded World 2020 präsentiert. (Bild: Congatec AG)

Das Kit wurde so zusammengestellt, dass es bereits für das Training von automatischen Checkoutsystemen vorbereitet ist, d.h. es sind auch schon Waren trainiert, die automatisch per Videostream erkannt werden, ohne Bar- oder QR-Codes zu nutzen. So können z.B. Früchte oder Gemüse, die sich nicht mit einem Code versehen lassen, abgerechnet werden. Abschließend gibt das Kit eine symbolische Rechnungssumme aus, der Baukasten bringt also bereits alle Grundlagen mit sich, in bestehende Kassensysteme, die auch alle Payment-Funktionen abbilden, integriert zu werden. Ganz unabhängig von der zum Einsatz kommenden Prozessortechnologie ergibt sich immer der Bedarf für einen OEM, die Summe der Einzelteile möglichst reibungslos zur Serienreife zu bringen. Idealerweise finden der OEM dann bei einem Lieferanten spezifische Lösungsplattformen, die mehr bieten, als die Summe der einzelnen Komponenten.

Heterogene Ansätze

Die Herausforderungen beginnen schon beim Integrationsaufwand für beispielsweise MIPI-CSI basierte Kameratechnologien. Während sie bei ARM-basierten Technologien bereits zum Standard gehören, ist hierfür bei x86-Plattformen ein spezifischer Integrationsaufwand erforderlich. Beim Einsatz von KI-Technologien gibt es zudem zwischen AMD und Intel unterschiedliche Strategien, was den Softwaresupport betrifft. So setzt AMD – so wie bei OpenCX/CV auch – auf Open Source Lösungen wie ROCm und TensorFlow, um den heterogenen Einsatz der Embedded Computing Ressourcen zu unterstützen, den man für die Deep-Learning-Inferenz-Algorithmen benötigt. Intel hingegen bietet seinen Kunden das OpenVino Toolkits an, das sowohl Optimierungen für Deep Learning Interferenzen bietet, als auch viele Aufrufe traditioneller Computer Vision Algorithmen, die in OpenCV implementiert sind, unterstützt. Letztlich zielt Intel mit dem Support von FPGAs sowie den Intel Movidius Neural Compute Stick darauf ab, nicht nur die teuren GPUs der Anbieter AMD oder Nvidia einzusetzen, sondern auch weitere Alternativen aus eigenem Hause für die Inferenzsysteme aufzuzeigen. Auch NXP bietet mit der eIQ Machine Learning Software Development Environment Antworten auf den Einsatz von KI. Es umfasst Inferenz-Maschinen, Neuronal Network Compiler, Visions- und Sensorlösungen sowie Hardware-Abstraktionsschichten. Auch eIQ basiert auf gängigen Open-Source-Frameworks, die in den NXP-Entwicklungsumgebungen für MCUXpresso und Yocto integriert sind, und ist im Early Access Release verfügbar für i.MX RT und i.MX.

Seiten: 1 2Auf einer Seite lesen

Themen:

| Fachartikel

Ausgabe:

inVISION 5 2019
congatec AG

Das könnte Sie auch Interessieren