Real-Time Conveyor Belt Defect Detection via Edge TPU-Accelerated YOLOv11 on Raspberry Pi 5
Dieses Paper präsentiert und validiert ein durchgängiges, energieeffizientes Edge-AI-System, das auf einem Raspberry Pi 5 mit einem Google Coral Edge TPU implementiert ist und ein quantisiertes YOLOv11n-Modell nutzt, um eine Echtzeit-Erkennung von Defekten an Förderbändern in rauen Industrieumgebungen mit hoher Genauigkeit zu erreichen, was eine kosteneffiziente vorausschauende Wartung ohne Abhängigkeit von leistungsstarken GPUs ermöglicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Schwerindustrie, die unsere moderne Welt aufbaut – vom Abbau riesiger Mengen an Erz bis hin zur Herstellung von Zement –, dienen massive Gummibänder als die Arterien der Produktion. Diese Förderbandsysteme bewegen Tag für Tag tausende Tonnen abrasiver Materialien und laufen oft über hunderte Meter durch staubige, vibrierende und raue Umgebungen. Im Laufe der Zeit führt die ständige Belastung durch schwere Lasten, herabfallende Gesteine und Reibung dazu, dass diese Bänder verborgene Schwachstellen entwickeln. Ein kleiner Riss oder ein Durchstich kann sich schnell zu einem katastrophalen Bruch ausweiten und das Band vollständig zerreißen. Wenn dies geschieht, steht die gesamte Produktionslinie still, was der Anlage Kosten in Höhe von tausenden Dollar durch Ausfallzeiten und teure Reparaturen verursacht und gleichzeitig gefährliche Situationen für die Arbeiter in der Nähe schafft. Jahrzehntelang war der einzige Weg, diese Mängel zu finden, die Begehung durch menschliche Inspektoren entlang der laufenden Maschinen – eine Methode, die langsam, riskant und anfällig dafür ist, kleine, aber kritische Schäden zu übersehen.
Um dies zu lösen, haben Forscher die Künstliche Intelligenz herangezogen und Computer darauf trainiert, Defekte so zu „sehen“, wie es ein Mensch tun würde. Die meisten dieser intelligenten Visionssysteme sind jedoch zu schwer und zu energiehungrig, um direkt auf der Fabrikationsfläche zu laufen. Sie benötigen normalerweise massive, teure Computer oder eine Verbindung zur Cloud, was für abgelegene Industriestandorte mit begrenzter Elektrizität und Netzwerkbandbreite unpraktisch ist. Ein Team von Ingenieuren in Indonesien hat nun diese Lücke geschlossen, indem sie ein kompaktes, leistungsschonendes System entwickelt haben, das ein Förderband in Echtzeit überwachen und Schäden sofort erkennen kann. Sie bauten ein Gerät, das in eine Standard-Metallbox passt, eine winzige Kamera nutzt, um das Band zu beobachten, und ein hochentwickeltes visuelles Erkennungsprogramm auf einem kleinen, spezialisierten Chip ausführt, der auf Geschwindigkeit und Effizienz ausgelegt ist.
Die Forscher konzentrierten sich auf einen spezifischen Typ von Modellen der Künstlichen Intelligenz namens YOLO, was für „You Only Look Once“ steht. Dieser Typ von Modell ist berühmt für seine Fähigkeit, Objekte in einem Videostream fast augenblicklich zu identifizieren. Während frühere Versionen dieser Technologie auf leistungsstarken Desktop-Computern gut funktionierten, wollte das Team sehen, ob die neueste, effizienteste Version auf einem winzigen Einplatinencomputer laufen kann – ähnlich denen, die von Hobbyisten verwendet werden –, gepaart mit einem spezialisierten Beschleunigerchip. Dieser Beschleuniger, genannt Edge TPU, ist ein kleines Stück Hardware, das speziell dafür entwickelt wurde, die für Künstliche Intelligenz erforderliche Mathematik mit sehr wenig Strom zu betreiben. Das Team nahm einen Kamerafeed aus einem echten Zementwerk in West Java, wo die Luft dick von Staub ist und die Maschinen ständig vibrieren, und speiste ihn in ihr System ein.
Um dem Computer beizubringen, worauf er achten muss, sammelte das Team eine massive Sammlung von Bildern. Sie verließen sich nicht ausschließlich auf Fotos, die in einem sauberen Labor aufgenommen wurden. Stattdessen kombinierten sie Bilder, die direkt im Zementwerk aufgenommen wurden, mit Bildern aus öffentlichen Datensätzen und neuen Fotos, die von einem automatisierten System erfasst wurden, das die Bewegung des Bandes über die Zeit aufzeichnete. Diese Mischung stellte sicher, dass der Computer lernte, Risse, Löcher und geflickte Reparaturen zu erkennen, selbst wenn sie mit Staub bedeckt oder durch hartes, ungleichmäßiges Fabriklicht beleuchtet waren. Insgesamt verwendeten sie über 3.000 Bilder, um das Modell zu trainieren, wobei sie jeden Defekt sorgfältig markierten, damit der Computer den Unterschied zwischen einem beschädigten Band und einem normalen Band lernen konnte. Anschließend vereinfachten sie das Computerprogramm und konvertierten es in ein Format, das der kleine Beschleunigerchip verstehen und ausführen konnte, ohne einen leistungsstarken Hauptprozessor zu benötigen.
Als das System im tatsächlichen Zementwerk eingesetzt wurde, waren die Ergebnisse unmittelbar und stabil. Das Gerät, das in einer versiegelten Metallbox zum Schutz vor Staub und Vibrationen untergebracht war, beobachtete das Förderband erfolgreich und identifizierte Defekte, während sie vorbeigingen. Es verarbeitete das Video mit einer Rate von 30 bis 40 Bildern pro Sekunde, was schnell genug ist, um mit der Geschwindigkeit des bewegten Bandes Schritt zu halten. Der gesamte Prozess, von der Aufnahme eines Bildes durch die Kamera bis zur Identifizierung eines Fehlers durch das System, dauerte zwischen 70 und 90 Millisekunden. Um diese Geschwindigkeit in Perspektive zu setzen: Wenn das Band mit einer typischen industriellen Geschwindigkeit läuft, identifiziert das System ein Problem, bevor der beschädigte Abschnitt mehr als ein paar Zentimeter weiterbewegt hat, was der Fabrik genügend Zeit gibt, zu reagieren, bevor der Schaden sich ausbreitet.
Das System erwies sich unter schwierigen Bedingungen als bemerkenswert zuverlässig. Über lange Testzeiträume hinweg blieben der kleine Computer und der Beschleunigerchip kühl genug, um sicher zu arbeiten, ohne dass Lüfter oder Klimaanlagen benötigt wurden, und hielten selbst in der heißen, staubigen Umgebung konstante Temperaturen ein. Das System verlor keine Videoframes und stürzte nicht ab, was zeigte, dass es kontinuierlich ohne menschliches Eingreifen laufen kann. Es erkannte erfolgreich vier Arten von Schäden: lange Risse, kleine Durchstiche, Löcher und unebene Flickreparaturen. Es war etwas weniger effektiv darin, die kleinsten Durchstiche zu entdecken, wenn diese teilweise durch Staub verdeckt waren, aber es arbeitete mit hoher Genauigkeit bei den größeren, gefährlicheren Defekten, die das größte Risiko für die Maschinen darstellen.
Diese Arbeit zeigt, dass fortschrittliche Künstliche Intelligenz nicht in einem Rechenzentrum gefangen sein muss, um nützlich zu sein. Durch die Optimierung der Software für den Betrieb auf kleiner, erschwinglicher Hardware haben die Forscher gezeigt, dass Fabriken ihre Ausrüstung überall auf der Welt in Echtzeit überwachen können, ohne auf eine teure Infrastruktur angewiesen zu sein. Das System fungiert als ein unermüdliches, unblinkendes Auge, das niemals müde wird, niemals eine Schicht verpasst und die frühen Anzeichen eines Versagens erkennen kann, bevor sie zu Katastrophen werden. Dieser Ansatz bietet einen praktischen Weg zu sichereren, effizienteren industriellen Abläufen und beweist, dass die Zukunft der vorausschauenden Wartung klein, schnell und direkt auf der Fabrikationsfläche gebaut sein kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.