{"id":15906,"date":"2025-07-30T09:59:36","date_gmt":"2025-07-30T09:59:36","guid":{"rendered":"https:\/\/framos.com\/articles\/was-ist-embedded-vision\/"},"modified":"2025-08-01T08:37:45","modified_gmt":"2025-08-01T08:37:45","slug":"was-ist-embedded-vision","status":"publish","type":"articles","link":"https:\/\/framos.com\/de\/fachartikel\/was-ist-embedded-vision\/","title":{"rendered":"Was ist Embedded Vision"},"content":{"rendered":"\n

Mit einem leisen Summen rollt das autonome Fahrzeug durch die schmalen Gassen des Parkhauses. Die Lidar-Sensoren tasten die Umgebung ab, erfassen W\u00e4nde, S\u00e4ulen und freie Parkl\u00fccken. Pl\u00f6tzlich bleibt das Auto stehen. Eine L\u00fccke \u2013 perfekt dimensioniert f\u00fcr den Wagen \u2013 wird erkannt. Vorsichtig setzt das Fahrzeug zum Einparken an, steuert pr\u00e4zise r\u00fcckw\u00e4rts in die Parkbucht, erkennt die Seitenw\u00e4nde und die r\u00fcckw\u00e4rtige Wand. Doch dann geschieht etwas Unerwartetes: Die Vision-Sensoren des Fahrzeugs erfassen ein kleines Schild am Rand der Parkl\u00fccke. Die Bilddaten werden mit Hilfe eines OCR-Algorithmus\u2019 analysiert. Es ist Schrift erkennbar! Sie wird analysiert, interpretiert und das Ergebnis ist eindeutig: \u201ePrivat \u2013 Abschleppen auf eigene Kosten\u201c steht auf dem Schild. Sofort stoppt das Auto den Einparkvorgang, zieht vorw\u00e4rts aus der L\u00fccke und setzt seine Suche fort. Wenige Meter weiter findet es einen regul\u00e4ren Parkplatz \u2013 das Abschleppen bleibt erspart. <\/p>\n\n

Diese Szene verdeutlicht die entscheidende Bedeutung von Embedded Vision in modernen autonomen Systemen. W\u00e4hrend Lidar-Sensoren exzellente Arbeit bei der r\u00e4umlichen Erfassung leisten, erm\u00f6glicht erst die Kombination mit Vision-Sensoren eine tiefere Kontextanalyse durch Bilderkennung und Textinterpretation. Doch was genau ist Embedded Vision eigentlich? <\/p>\n\n

Eine kleine Einf\u00fchrung in Embedded Vision <\/h2>\n\n

Embedded Vision ist im Grunde genommen nichts anderes als ein digitales System mit Kamera. Es besteht mindestens aus Daten verarbeitender Hardware und Software und einem Kameramodul, bestehend aus Sensor, Objektiv und f\u00fcr die Hard- und Software passender Schnittstelle. Der Zweck besteht immer darin, einem gr\u00f6\u00dferen System die F\u00e4higkeit zu geben, zu sehen. Genau wie in einem Auto. <\/p>\n

\n
\"Explosionszeichnung
Sensormodul mit Sensor, Mount und Objektiv.<\/figcaption><\/figure>\n<\/div>
\n
\"FRAMOS-Kameramodul,
Sensormodul mit einem Processingboard \u00fcber Kabel angebunden.<\/figcaption><\/figure>\n<\/div>\n

Im Bereich von Embedded Vision kursieren einige Begriffe, die teilweise synonym verwendet werden wie Machine Vision oder Computer Vision. Allerdings gibt es eine klassische Interpretation von Machine Vision und eine vergleichsweise enge Definition von Computer Vision. Machine Vision, obwohl heute teilweise synonym zu Embedded Vision verwendet, wurde fr\u00fcher als ein System interpretiert, das aus eigenst\u00e4ndigen Standardkameras besteht, die \u00fcber ein langes Kabel wie Ethernet, USB oder CoaXPress mit einem herk\u00f6mmlichen Desktop- oder Rack-Computer mit x86-Architektur verbunden sind. Analoge Teile oder Konverter wie Framegrabber waren und sind bis zu einem gewissen Grad auch heute noch \u00fcblich. <\/p>\n\n

In moderner Denkweise ist Machine Vision bzw. Embedded Vision aber eher ein hochintegriertes digitales Kamera-System, das leistungsf\u00e4hig Daten \u201eam Ort des Geschehens\u201c sammelt und<\/em> verarbeitet. Im Gegensatz zu Machine Vision bedeutet Embedded Vision, dass die Bildverarbeitungsf\u00e4higkeit von Anfang an im Entwurfsprozess eines eingebetteten Systems eingeplant wird. Sie umfasst eine bildverarbeitungsf\u00e4hige Architektur mit bestimmten Funktionen, ein auf die Anwendung ausgelegtes Design und die M\u00f6glichkeit, auf den Bildsignalprozessor bzw. Image Signal Processor (ISP) zuzugreifen und ihn zu \u201etunen\u201c. Die Hardware wird auf die Funktionalit\u00e4t konsolidiert, die f\u00fcr die Anwendung wirklich erforderlich ist. Daher k\u00f6nnte man von Embedded Vision als einer technisch und wirtschaftlich konsolidierten und verbesserten Version der maschinellen Bildverarbeitung bzw. von Machine Vision sprechen, die die Funktionalit\u00e4t und das resultierende Bildmaterial verbessert und gleichzeitig die St\u00fcckliste (BOM) reduziert. Leistungsf\u00e4higere Hardware beg\u00fcnstigt in den letzten Jahren hin diese Entwicklung und erm\u00f6glicht au\u00dferdem vernetzte, hochintegrierte Vision-Systeme am (Netzwerk<\/em>-)Rand. Hier spricht man dann von Edge-Ger\u00e4ten mit Sehf\u00e4higkeit. <\/p>\n\n

Computer Vision hingegen ist klarer definiert als ein Teilbereich der k\u00fcnstlichen Intelligenz. Computer Vision wird verwendet als KI-gest\u00fctztes maschinelles Sehen bzw. Verarbeiten von Rohbilddaten zum Erlernen bestimmter F\u00e4higkeiten wie dem Erkennen von Objekten. Dazu sind zwei Dinge notwendig: Sehen mit Kameras und Verstehen mit KI. Um in unserem Beispiel zu bleiben, erm\u00f6glichen diese Technologien Schilder in Parkh\u00e4usern zu erkennen. Allerdings werden daf\u00fcr sehr leistungsf\u00e4hige (Gro\u00df-)Computer eingesetzt, wie sie eher in Laboren zu finden sind. <\/p>\n\n

Moderne, leistungsf\u00e4hige Embedded Hardware <\/h2>\n\n

Rohdaten wie die Bilddaten vom Parkhausschild werden nun mit Hilfe von Machine Vision und dank leistungsf\u00e4higer Hardware vor Ort erfasst, analysiert und interpretiert. Die Interpretation ist die Handungsgrundlage f\u00fcr den Aktor im digitalen Regelkreis. Vereinfacht gesprochen und ohne weitere Rohdaten zu ber\u00fccksichtigen ist der Sinn, das Signal an den Stellmechanismus der R\u00e4der und der Beschleunigungseinheit des Autos weiterzugeben, so dass diese der Situation entsprechend agieren. Ein Auto besteht heutzutage aus einer Vielzahl an elektronischen Steuerger\u00e4ten (ECUs), die miteinander vernetzt sind und Daten interpretieren. Klassischerweise sind ECUs Mikrocontroller, die nur eine einzige Aufgabe erf\u00fcllen. <\/p>\n

\n
\"Eingebettetes
Toradex Verdin Development Board mit Verdin iMX8MP System-on-Module und FRAMOS optischem Sensormodul FSM:GO<\/figcaption><\/figure>\n<\/div>\n

Sie werden aber aus Konsolidierungsgr\u00fcnden immer h\u00e4ufiger durch Multiprocessor System-on-Chips (SoC) ersetzt, auf denen mehrere Anwendungen gleichzeitig laufen. Diese leistungsf\u00e4hige Hardware ist meistens eine Kombination aus Leistungs- und Effizienzkernen verschiedener CPUs bzw. Mikrocontroller, die h\u00e4ufig auf ARM-Architektur beruhen und auf einer Platine aufgebracht sind. Die Leistungskerne \u2013 bei ARM sind das die Cortex-A-Kerne \u2013 k\u00f6nnen rechenintensive Anwendungen ausf\u00fchren. Das ist besonders interessant f\u00fcr die Verarbeitung von Bilddaten. Cortex-R und Cortex-M-Kerne hingegen werden f\u00fcr sicherheitskritische, echtzeitben\u00f6tigende Aufgaben genutzt. <\/p>\n\n

Da SoCs wie die Anwendungsprozessoren i.MX 8M Plus und i.MX 95 von NXP Semiconductors h\u00e4ufig auch f\u00fcr die Bildverarbeitung ausgelegt sind und \u00fcber die erforderlichen Schnittstellen wie MIPI CSI-2 f\u00fcr die Kamerasensor-Konnektivit\u00e4t sowie dedizierte Hardware-Engines f\u00fcr den ISP, Vision Processing Units (VPUs) und Neural Processing Units (NPUs) f\u00fcr die KI-Beschleunigung innerhalb des SoC verf\u00fcgen, er\u00f6ffnen sich hier viele neue M\u00f6glichkeiten f\u00fcr Embedded Vision. Diese SoCs eignen sich f\u00fcr den Einsatz in den M\u00e4rkten f\u00fcr Automobil-, Luftfahrt-, Schienen-, Industrie- und Medizintechnik sowie in vielen intelligenten, kompakten Ger\u00e4ten in verschiedenen Branchen. Die m\u00f6glichen Anwendungen sind sehr vielf\u00e4ltig. <\/p>\n\n

Moderne Kameramodule f\u00fcr qualitativ hochwertige Rohbilddaten <\/h2>\n\n

Auf Sensorseite ist die Entwicklung hin zu immer potenteren Kameramodulen in den letzten Jahren bemerkenswert. Diese Kameramodule bestehen mindestens aus Objektiv, passendem Mount, Sensor und Platine mit ISP und Schnittstelle f\u00fcr die angrenzende Hardware. Sensoren, die mit einer Aufl\u00f6sung von 200 Megapixeln gestochen scharfe Bilder liefern, waren bis vor wenigen Jahren noch in weiter Ferne. Auch der serienm\u00e4\u00dfige und kosteng\u00fcnstige Einsatz von Global-Shutter-Sensoren, die verzerrungs- bzw. artefaktfreie Einzelbilder liefern, ist heute mit Sensoren wie Sonys IMX900 im industriellen Bereich m\u00f6glich und wird immer weiter angefragt. R\u00fcckseitig beleuchtete Pixel verbessern mittlerweile bei vielen Sensoren die Sehf\u00e4higkeit im Dunkeln. Auch bei der Anbindung tut sich einiges: Mit GMSL-Standard k\u00f6nnen auf den Kameramodulen Strecken von bis zu 14 Metern \u00fcberbr\u00fcckt werden und bei der Kommunikation zwischen Hardware und Kameramodul, unterst\u00fctzen Schnittstellen wie SLVS-EC oder MIPI CSI-2 hohe Datenraten, so dass die gro\u00dfen Datenmengen, die bei immer leistungsf\u00e4higeren Sensoren anfallen, auch weitergeleitet und prozessiert werden k\u00f6nnen. <\/p>\n

\n
\"Verschiedene
Verkabelungsoptionen, verschiedene Schnittstellen f\u00fcr den Datenaustausch.<\/figcaption><\/figure>\n<\/div>\n

Die Software, inklusive der Treiber, Referenzanwendungen und Layer, um beispielsweise bestimmte Kameramodule auf einem Roll-your-own-Linux wie Yocto einzusetzen, wird immer umfangreicher und leistungsf\u00e4higer. Kameramodule k\u00f6nnen somit immer flexibler, anwendungsspezifischer und einfacher eingesetzt werden. <\/p>\n\n

Anwendungsgebiete f\u00fcr Embedded Vision <\/h2>\n\n

Es gibt heutzutage f\u00fcr quasi jeden Einsatzbereich passende und bequem integrierbare Kameramodule. Systemintegratoren und Kamerabauer veredeln diese Grundlagen zu industriespezifischen Embedded-Vision-Systemen. So kann ein Systemintegrator beispielsweise speziell auf industrielle Bed\u00fcrfnisse zugeschnittene Kamerasysteme bauen, die nach der Safety-Norm IEC 61508 zertifiziert sind und somit in Bereichen eingesetzt werden k\u00f6nnen, indem Menschen mit Maschinen arbeiten und Sicherheit h\u00f6chste Priorit\u00e4t hat. Das ist beispielsweise bei Robotergreifarmen der Fall, die neben Menschen an einer Produktionsstra\u00dfe arbeiten. Im Automotive-Bereich sind die ISO-Normen ISO 26262 und ISO PASS 8800 richtungsweisend, wenn es um Safety geht (ISO 26262) und dar\u00fcber hinaus k\u00fcnstliche Intelligenz eingesetzt werden soll (ISO PASS 8800). Denkbar ist also beispielsweise, dass Autos mithilfe ihrer Vernetzungsf\u00e4higkeit over-the-air (OTA) Ad-hoc-Netzwerke bilden um sich gegenseitig mit Safety-Daten zu versorgen und so dabei helfen Unf\u00e4lle zu vermeiden. So k\u00f6nnen beispielsweise von vorausfahrenden Autos Schlagl\u00f6cher mit Hilfe von Visionf\u00e4higkeit erkannt und an nachfolgende Autos weitergeleitet werden. Auch Verkehrsschilder k\u00f6nnen fr\u00fchzeitiger erkannt und verarbeitet werden. Wenn diese Autos nun dar\u00fcber hinaus Safety-Bilddaten nicht nur mit umliegenden Autos teilen, sondern auch mit einem zentralen Computer, spricht man von einer Edge-to-Cloud-Anwendung. Dies ergibt Sinn insbesondere f\u00fcr Computer Vision Sinn, weil die wertvollen \u2013 und heutzutage wesentlich: echten \u2013 Rohbilddaten zur weiteren Verarbeitung an einen Zentralcomputer (in der Cloud) gesendet werden k\u00f6nnen, wo diese Zentralcomputer maschinelles Lernen von bestimmten Bilddaten verbessern und so auch r\u00fcckkoppelnd an die teilnehmenden Edge-Ger\u00e4te Safety-Daten liefern k\u00f6nnen zur besseren Erkennung. <\/p>\n\n

Fazit <\/h2>\n\n

Embedded Vision ist die F\u00e4higkeit eines digitalen Verarbeitungssystems, Bilddaten zu erfassen und zu verarbeiten. Die Entwicklung der letzten Jahre macht ihren Einsatz immer leistungsf\u00e4higer, einfacher und kosteng\u00fcnstiger. Die erfassten Bilddaten helfen dabei unsere Welt sicherer und effizienter zu machen. Der Einsatz von Computer Vision maximiert das Potenzial und bildet die Grundlage f\u00fcr bahnbrechende Anwendungen. FRAMOS bietet passende Kameramodule sowie ein ganzes \u00d6kosytem um die bestm\u00f6glichen Bilddaten zu erzeugen um dieses Ziel zu verwirklichen. <\/p>\n

\n
\n
\n

\n Mehr erfahren <\/h2>\n \n

\n Erfahren Sie mehr \u00fcber das FRAMOS Ecosystem und wie wir Ihnen helfen k\u00f6nnen, Ihrem System eine „eingebettete Vision“ zu geben. <\/p>\n \n

\n \n \u00d6kosystem<\/span>\n
\n \n \n <\/svg>\n <\/div>\n <\/a>\n\n \n Kontaktieren Sie uns<\/span>\n \u2192<\/span>\n <\/a>\n \n <\/div>\n\n \n \n \n \n \n \n <\/radialGradient>\n <\/defs>\n <\/svg>\n <\/div>\n <\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Mit einem leisen Summen rollt das autonome Fahrzeug durch die schmalen Gassen des Parkhauses. Die Lidar-Sensoren tasten die Umgebung ab, erfassen W\u00e4nde, S\u00e4ulen und freie Parkl\u00fccken. Pl\u00f6tzlich bleibt das Auto […]<\/p>\n","protected":false},"author":2,"featured_media":15907,"comment_status":"closed","ping_status":"closed","template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false},"article-category":[6092],"article-tag":[6454],"class_list":["post-15906","articles","type-articles","status-publish","format-standard","has-post-thumbnail","hentry","article-category-industrielle-bildverarbeitung","article-tag-embedded-vision-de"],"acf":[],"_links":{"self":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/articles\/15906","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/articles"}],"about":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/types\/articles"}],"author":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/comments?post=15906"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/media\/15907"}],"wp:attachment":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/media?parent=15906"}],"wp:term":[{"taxonomy":"article-category","embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/article-category?post=15906"},{"taxonomy":"article-tag","embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/article-tag?post=15906"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}