EN DE
Künstliche Intelligenz zur Bilderkennung

Ein wesentliches Feature der neuen, intelligenten Tiersender der GAIA-Initiative sind die eingebaute Kamera und Künstliche-Intelligenz-Algorithmen, die direkt auf dem Sender laufen und eine effiziente, eingebettete Datenverarbeitung vornehmen können. Dies stellt ganz besondere Anforderungen auch an eine Bilderkennungs-KI, die besonders sparsam und mit geringen Datenmengen operieren müssen. Hierzu entwickeln Teams am Fraunhofer IIS entsprechende Strategien und Modelle für die KI.

Um KI-basierte Verarbeitungsketten auf eingebetteten Systemen implementieren zu können, müssen verschiedene Anforderungen erfüllt sein. Da die Felddaten nicht in ausreichender Zahl vorhanden sind, müssen die Forscher*innen des Fraunhofer IIS die zu entwickelnden KI-Algorithmen dahingehend trainieren, auch aus wenigen Datensätzen relevante Informationen/Muster zu ziehen (Sparse AI). Zudem arbeiten die Entwickler und Entwicklerinnen daran, sämtliche Schritte der Bildverarbeitungskette so energieeffizient wie möglich zu gestalten und die Komplexität der verwendeten DNNs mittels Filter Pruning auf ein Minimum zu reduzieren. Ziel ist es, deren Portierung auf tragbare Edge Devices (wie bspw. Tiersender) zu gewährleisten und ein Sparse Deep Convolutional Neural Network (DCNN) Modell zu generieren.

Eine weitere Herausforderung ergibt sich aus der begrenzten Kommunikationsbandbreite der genutzten Funkkanäle. Um diese zu umgehen, zielen die Forscher*innen darauf ab, mithilfe der weiterentwickelten Embedded KI zur Bilderkennung, die eingehenden Bilddaten und Sensordaten (u.a Beschleunigungsdaten) direkt am CameraTag zu analysieren und zu klassifizieren. So können selektiv nur die Bilder ausgewählt werden, bei denen ein bestimmtes Verhalten der Geier zu erkennen ist. Je nach Anwendungsfall wird die Kamera durch diese sensornahe Embedded KI-Bildverarbeitung nur bei entsprechender Relevanz ausgelöst und die Bilder an den Anwender übermittelt. Möchte man bspw. wissen, wie viele Wasserbüffel innerhalb eines bestimmten Radius am bösartigen Katarrhalfieber verendet sind, muss die Onboard-KI dahingehend trainiert werden, bei Bildaufnahme mehrerer Geier am Kadaver der Tiere, den Kamerasensor anzusteuern und auszulösen. Mithilfe dieses effizienten Entwicklungsansatzes können der Rechenaufwand und Speicherbedarf der verwendeten KI-Modelle derart minimiert werden, so dass der Einsatz von TinyML Modellen auf Edge Devices für eine Vielzahl von verschiedenen Anwendungen möglich wird.

TEAM
Dr. Shrutika Sawant
Spezialistin für KI-Software am Fraunhofer IIS
Dr. Subodh Ingaleshwar
Spezialist für eingebettete KI am Fraunhofer IIS
Stephan Göb
Spezialist für KI/KI auf eingebetteter Hardware
NEHMEN SIE KONTAKT AUF