Die RK3588 ist eine bewährte Plattform für die industrielle Bildverarbeitung und Fehlererkennung - mit YOLOv5s bei 54+ FPS und leichten Erkennungstransformatoren bei 58 FPS auf dem Gerät, mit einer 6 TOPS NPU, die INT8-Inferenz bei 5-6W verarbeitet. Er eignet sich für Single-Line-AOI, Multi-Kamera-Inspektionsknoten und eingebettete Smart-Kamera-Anwendungen, bei denen Kosten, Leistung und Formfaktor eine Rolle spielen. Für die Halbleitermetrologie im Submikronbereich oder gleichzeitige 32-Kamera-Streams ist ein dedizierter Beschleuniger der bessere Weg.
Wichtigste Erkenntnisse
- Der globale Markt für industrielle Bildverarbeitung erreichte 2025 USD 15,83 Milliarden und wird bis 2030 voraussichtlich mit einer CAGR von 8,3% wachsen - industrielle Fehlererkennung ist der wichtigste Wachstumstreiber (MarketsandMarkets)
- Die RK3588 erkennt Lagerschäden bei 58,1 FPS auf dem Gerät unter Verwendung eines leichtgewichtigen DETR-Modells bei 96,2% mAP@50 (Annals of the New York Academy of Sciences, 2025)
- Die 6 TOPS NPU unterstützt YOLOv5, YOLOv8, MobileNet, ResNet und benutzerdefinierte CNN-Architekturen über RKNN-Toolkit2 - kein spezielles KI-Framework erforderlich
- Über 41% der neuen Bildverarbeitungssysteme im Jahr 2025 Edge-KI-Funktionen umfassen, angetrieben durch Latenz-, Datenschutz- und Bandbreitenanforderungen (Global Growth Insights)
- RK3588-Bildverarbeitungssysteme verbrauchen 5-13 W - im Vergleich zu 10-30 W bei GPU-basierten Alternativen - und ermöglichen eine passive Kühlung in geschlossenen Industriegehäusen
- Deep Learning-basierte Fehlererkennung hält 56% Marktanteil im Jahr 2025, so dass CNN/Transformer-kompatible Edge-Plattformen wie RK3588 die Standardarchitektur der Wahl werden (Future Market Insights)
Warum sich die industrielle Bildverarbeitung an den Rand bewegt - und warum RK3588 dazu passt
Die industrielle Bildverarbeitung war lange Zeit eine serverbasierte Technologie. Kameras erfassen Bilder, ein PC oder Rack-Server verarbeitet sie, und die Ergebnisse werden über Ethernet oder Feldbus zurückgesendet. Dieses Modell funktionierte, als die Produktionslinien mit niedrigen Geschwindigkeiten liefen, die Bilder eine niedrige Auflösung hatten und die Latenztoleranz in Sekunden gemessen wurde.
Die moderne Fertigung widerspricht allen drei Annahmen. Hochgeschwindigkeits-SMT-Linien produzieren 50.000 Komponenten pro Stunde. Die Inspektion von EV-Batteriezellen erfordert eine Fehlererkennung im Submillimeterbereich bei Fördergeschwindigkeiten von über 2 Metern pro Sekunde. Verpackungslinien für Lebensmittel tolerieren keine falsch negativen Ergebnisse bei Verunreinigungen. Die Übertragung jedes Einzelbildes an einen zentralen Server - über ein Fabriknetzwerk mit Echtzeitplanungsbeschränkungen - ist für die anspruchsvollsten Anwendungen nicht mehr praktikabel.
Nach Angaben von MärkteundMärktewächst der globale Markt für industrielle Bildverarbeitung von 15,83 Mrd. USD im Jahr 2025 auf 23,63 Mrd. USD im Jahr 2030 mit einer CAGR von 8,3%. Das am schnellsten wachsende Bereitstellungsmodell ist eingebettet und Edge-basiert - intelligente Kameras und eingebettete SBCs, die Bilder am Ort der Erfassung verarbeiten und so Netzwerklatenz und Engpässe auf zentralen Servern beseitigen.
Die RK3588 adressiert diesen Wandel direkt. Seine 6 TOPS NPU, Dual-ISP mit Unterstützung für bis zu 32MP-Kameras, Hardware-H.265-Kodierung und industrielle E/A-Schnittstellen machen ihn zu einer fähigen Plattform für eingebettete Bildverarbeitung - keine Kompromisslösung, sondern eine zweckmäßige Architektur für den Anwendungsfall der Kantenprüfung.
Wie die RK3588-Hardware die Bildverarbeitungsaufgaben unterstützt
Um zu verstehen, wo sich der RK3588 in der industriellen Bildverarbeitung auszeichnet, muss man über die NPU-Spezifikation hinaus den gesamten Funktionsumfang des SoC betrachten, der in der industriellen Inspektion tatsächlich genutzt wird.
Bildakquisition: ISP und Kamera-Schnittstelle
In die RK3588 ist ein Dual-ISP (Image Signal Processor) integriert, der Sensoren mit bis zu 32 MP verarbeiten kann. Dies ist keine Marketing-Fußnote - in der industriellen Bildverarbeitung wirkt sich die Qualität des ISP direkt auf die Genauigkeit der Fehlererkennung aus. Der ISP übernimmt die Rauschunterdrückung, die Linsenabschattungskorrektur, den automatischen Weißabgleich und die HDR-Tonwertzuordnung in Hardware und entlastet so die CPU und NPU von diesen rechenintensiven Vorgängen.
Optionen für Kameraanschlüsse bei der RK3588:
| Schnittstelle | Max Bahnen | Typische Verwendung |
|---|---|---|
| MIPI CSI-2 | 4×4 Fahrspuren | Flächenkameras, Sensoren der GigE-Klasse |
| USB 3.0 | 2 Häfen | USB3 Vision-Kameras, industrielle USB-Kameras |
| HDMI-Eingang | 1 Anschluss | Erfassungskarten, Analog-Digital-Eingang |
| PCIe 3.0 | 1×4 oder 2×2 | CoaXPress / Camera Link Bilderfassungskarten |
Für die meisten eingebetteten Bildverarbeitungsanwendungen ist MIPI CSI-2 der primäre Pfad. Eine 4-Lane-MIPI-Verbindung unterstützt die Rohbildübertragung mit bis zu 4K@60fps, was für die meisten Inline-AOI- und Oberflächeninspektionsaufgaben ausreicht.
NPU: Die Inferenzmaschine
Die 6-TOPS-NPU ist das Herzstück der Bildverarbeitungsfunktionen des RK3588. Sie unterstützt INT4-, INT8- und INT16-Quantisierung für CNN- und transformatorbasierte Modelle, wobei FP16 für präzisionsempfindliche Schichten verfügbar ist. In der maschinellen Bildverarbeitung ist die INT8-Quantisierung der Standard-Einsatzmodus - sie bietet eine Genauigkeit nahe FP32 mit einer 4-8-fachen Durchsatzsteigerung.
Praxisnahe Benchmarks von TinyComputers.io zeigen, dass ResNet18 mit 244 FPS und 4,09 ms Latenzzeit auf der RK3588 NPU läuft. Für Defektklassifizierungsaufgaben mit ResNet-Architekturen bedeutet dies einen Prüfdurchsatz, der Hochgeschwindigkeits-Förderanwendungen ohne Frame-Dropping bewältigt.
CPU- und Speicherbandbreite
Die Cortex-A76-Kerne übernehmen Vor- und Nachverarbeitungsaufgaben, die sich nicht effizient auf die NPU abbilden lassen: Bilddecodierung, Nicht-Maximum-Unterdrückung (NMS), Ergebnispaketierung und Kommunikation mit SPS- oder SCADA-Systemen. Die verbesserte Single-Thread-Leistung des A76 im Vergleich zu seinen Vorgängern (ca. 2,5-3x im Vergleich zum Cortex-A72) ist für diese sequenziellen Vorverarbeitungsvorgänge von Bedeutung.
Der LPDDR4X-Speicher mit 64-Bit-Bus bietet die erforderliche Bandbreite, um die gleichzeitige Kameraerfassung, die NPU-Pipeline und die Ergebnisausgabe ohne Speicherengpässe aufrechtzuerhalten - ein häufiger Fehlermodus bei Embedded-Plattformen im unteren Preissegment.
RK3588 Bildverarbeitungsleistung: Echte Benchmark-Daten
Rohe Spezifikationen sind weniger wichtig als gemessene Ergebnisse bei tatsächlichen Inspektionsaufgaben. Dies zeigen die veröffentlichten Forschungs- und Einsatzdaten.
Benchmarks für die Fehlererkennung
Eine 2025 in den Annals of the New York Academy of Sciences veröffentlichte Studie hat den SMF-DETR-Erkennungstransformator, der für die Erkennung von Lageroberflächendefekten optimiert ist, auf der RK3588-Plattform getestet:
| Metrisch | Wert |
|---|---|
| mAP@50 | 96.2% |
| Genauigkeit | 98.1% |
| FPS auf RK3588 | 58,1 FPS |
| FPS auf Desktop-GPU | 97,3 FPS |
| Verkleinerung des Modells im Vergleich zur Ausgangslage | 37.1% |
| Reduzierung der Rechenkosten | 57.7% |
58 FPS auf einem Embedded Board, das weniger als 10 W verbraucht, bei 96,2% mAP - das ist eine produktionstaugliche Leistung für die Lagerprüfung bei realistischen Fördergeschwindigkeiten.
Eine separate Studie, veröffentlicht in Scientific Reports (2025) hat ein System zur Erkennung von Drahtseildefekten auf dem RK3588 implementiert, das eine MobileNetV3-basierte Architektur mit einem benutzerdefinierten Aufmerksamkeitsmechanismus verwendet. Die Forscher entschieden sich für den RK3588 gegenüber dem Jetson Nano, weil er bei gleichem Leistungsumfang und Kosten eine höhere Rechendichte aufweist und eine Echtzeit-Erkennungsleistung erzielt, für die serverabhängige Systeme 20-30 Minuten benötigten.
Vision-Workload-Leistungstabelle
| Modell | Aufgabe | Präzision | Latenzzeit | FPS |
|---|---|---|---|---|
| ResNet18 | Klassifizierung | INT8 | 4.09ms | 244 |
| YOLOv5s | Erkennung von Objekten | INT8 | ~18ms | ~54 |
| YOLOv8n | Erkennung von Objekten | INT8 | ~15ms | ~65 |
| MobileNetV2 | Merkmalsextraktion | INT8 | ~5ms | ~200 |
| SMF-DETR (Lager) | Erkennung von Defekten | INT8 | ~17ms | 58.1 |
| MobileNetV3 (Drahtseil) | Erkennung von Defekten | INT8 | ~20ms | ~50 |
Quellen: TinyComputers.io Benchmarks; Annals of the New York Academy of Sciences (2025); Scientific Reports (2025)
Architektur eines Bildverarbeitungssystems auf RK3588
Ein komplettes eingebettetes Bildverarbeitungssystem auf der RK3588 ist nicht nur eine Platine mit einer Kamera. Die Architektur umfasst die Bilderfassung, Vorverarbeitung, Inferenz, Ergebnisverarbeitung und Kommunikation mit Fabriksystemen.
Empfohlener Stack für Inline-AOI
┌────────────────────────────────────┐
│ Kameraebene │
MIPI CSI-2 Flächenkamera (2-12MP) │ MIPI CSI-2 Flächenkamera (2-12MP) │
│ Stroboskop-synchronisiertes LED-Ringlicht │
└──────────────┬─────────────────────┘
│ Rohes Bayer / YUV
┌─────────────▼──────────────────────┐
│ ISP-Schicht (Hardware) │
│ Rauschunterdrückung, Korrektur von Abschattungen │
│ Demosaicing, Weißabgleich, HDR │
└──────────────┬─────────────────────┘
│ Verarbeitetes Bild (RGB/YUV)
┌──────────────▼─────────────────────┐
│ Vorverarbeitung (CPU / A76) │
│ Größe ändern, normalisieren, ROI beschneiden │
│ Multi-Thread-Pipeline über V4L2 + OpenCV │
└──────────────┬─────────────────────┘
│ Inferenzfähiger Tensor
┌──────────────▼─────────────────────┐
NPU-Inferenzschicht │
│ RKNN-Toolkit2 Laufzeit │
│ INT8 quantisiertes Modell (YOLOv8 / ResNet / DETR) │
SCHED_FIFO-Priorität für deterministische Latenzzeit │
└──────────────┬─────────────────────┘
│ Erkennungsergebnisse / Begrenzungsrahmen
┌──────────────▼─────────────────────┐
│ Nachbearbeitung (CPU) │
NMS, Vertrauensschwellenwert, Klassenzuordnung │
│ Fehlerklassifizierung und Koordinatenabbildung │
└──────────────┬─────────────────────┘
│ Pass/Fail-Signal + Fehlerdaten
┌──────────────▼─────────────────────┐
│ Werkseitige Integration │
│ GPIO-Triggerausgang → Ablehnungsaktor │
│ Modbus TCP / OPC-UA → SCADA / MES │
MQTT → Cloud-Datenaggregation │
└────────────────────────────────────┘
Diese Architektur läuft vollständig auf einer einzigen RK3588-Karte. Es gibt keinen externen Server, keine Netzwerk-Inferenzaufrufe und keinen einzigen Ausfallpunkt außerhalb der Karte selbst.
Wichtige Software-Komponenten
V4L2 (Video für Linux 2): Das Kernel-Framework für Kameraerfassung unter Linux. Das BSP von RK3588 enthält optimierte V4L2-Treiber für MIPI CSI-Kameras, die Frame-Callbacks mit niedriger Latenz unterstützen, die direkt in die Inferenzpipeline eingespeist werden.
RKNN-Toolkit2: Rockchips SDK für die Modellbereitstellung. Ermöglicht die Modellkonvertierung von TensorFlow, PyTorch (über ONNX), Caffe und MXNet in das RKNN-Format mit INT8-Quantisierungskalibrierung und der Laufzeit-API für geräteinterne Inferenz.
OpenCV: Die Standard-Computer-Vision-Bibliothek für Vorverarbeitungsoperationen. Funktioniert effizient auf RK3588 Debian/Ubuntu-Umgebungen.
GStreamer: Für die Verwaltung von Pipelines mit mehreren Kameras, die hardwarebeschleunigte Codierung von Inspektionsvideos und die gleichzeitige Erfassung aus mehreren Quellen.
Unterstützte Defect Detection Anwendungsfälle
Das Leistungsprofil der RK3588 ist auf eine bestimmte Bandbreite industrieller Prüfanwendungen zugeschnitten. Wenn Sie verstehen, wo es passt - und wo nicht -, sparen Sie sich wochenlangen Integrationsaufwand.
✅ Starke Anpassung: Erkennung von Oberflächenfehlern
Inspektion von Lötstellen auf Leiterplatten, Erkennung von Kratzern auf Metalloberflächen, Oberflächendefekte beim Kunststoffspritzguss, Klassifizierung von Textildefekten - all diese Anwendungen verwenden CNN- oder leichtgewichtige Transformatormodelle für 2D-Bilder, lassen sich sauber auf INT8-Quantisierung abbilden und arbeiten mit Bildraten, die weit unter der NPU-Kapazität der RK3588 liegen.
Eine umfassende Übersicht über 2025 in ScienceDirect 82 Studien zur Erkennung von PCB-Oberflächendefekten bestätigen, dass Automatisierte optische Inspektion (AOI) der dominierende Ansatz in der SMT-Produktion bleibt - und dass Deep-Learning-basierte Methoden, die jetzt 56% Marktanteil haben, der Leistungsstandard sind. Die RK3588 führt diese Modelle mit produktionsrelevanten Geschwindigkeiten aus.
✅ Starke Anpassung: Objekterkennung und Zählung
Die Inspektion von Blisterverpackungen in der Pharmazie (fehlende Pillen, zerbrochene Tabletten), die Erkennung von Fremdkörpern in der Lebensmittelindustrie, die Überprüfung des Vorhandenseins bzw. Nichtvorhandenseins von Bauteilen an Montagelinien - all dies sind Aufgaben der Objekterkennung, bei denen die YOLOv5/v8-Modelle mit INT8-Präzision 50-65 FPS auf der RK3588 liefern, was für Linien mit mehreren hundert Teilen pro Minute ausreicht.
✅ Starke Passform: Dimensionelle Messung (visuell)
Die Überprüfung der Bauteilabmessungen, die Spaltmessung und die Ausrichtungsprüfung mit Hilfe kalibrierter Kamera- und Kantenerkennungsalgorithmen (Canny, Hough-Transformation) laufen effizient auf den CPU-Kernen, wobei die NPU alle Schritte der erlernten Bauteillokalisierung übernimmt.
⚠️ Arbeitsfähig mit Optimierung: Simultane Multi-Kamera-Inspektion
4-8 Kamera-Inspektionsknoten können mit einer einzigen RK3588 bei sorgfältigem Pipeline-Design erreicht werden: reduzierte Auflösung pro Kamera (720P vs. 4K), Drosselung der Bildrate auf 15-20 FPS pro Stream und zeitlich gemultiplexte NPU-Planung. Bei mehr als 8 gleichzeitigen Streams und voller Erkennungsgenauigkeit ist ein dedizierter Beschleuniger die bessere Architektur.
❌ Nicht die richtige Lösung: Sub-Mikron-Halbleiter-Metrologie
Die Inspektion von Wafern, die Lokalisierung von Defekten auf Die-Ebene im Nanometerbereich und das Stitching von Multi-Gigapixel-Bildern für die Qualitätskontrolle von Halbleitern erfordern spezielle Messtechnik-Hardware (High-End-Systeme von Teledyne, KLA, Keyence) oder Rechenleistung der GPU-Klasse. RK3588 ist nicht in diesem Bereich tätig.
RKNN-Toolkit2: Einsatz des Erkennungsmodells auf RK3588
Der praktische Arbeitsablauf für den Einsatz eines Bildverarbeitungsmodells auf RK3588 erfolgt in drei Schritten. Durch das Verständnis der einzelnen Phasen lassen sich die häufigsten Integrationsprobleme vermeiden.
Stufe 1: Modellschulung (Workstation)
Trainieren Sie Ihr Erkennungs- oder Klassifizierungsmodell in PyTorch, TensorFlow oder dem Framework Ihrer Wahl auf einer GPU-Workstation. Für Bildverarbeitungsaufgaben sollten Sie mit bewährten Architekturen beginnen: YOLOv8n oder YOLOv8s für die Erkennung, MobileNetV3 für die Klassifizierung und EfficientDet-lite für die Mehrklassenprüfung. Benutzerdefinierte Architekturen sind möglich, aber jede Schicht, die nicht von der NPU von RKNN unterstützt wird, fällt auf die CPU-Ausführung zurück - überprüfen Sie die RKNN-Operator-Supportliste, bevor Sie sich auf ungewöhnliche Bausteine festlegen.
Stufe 2: Quantisierung und Umwandlung (RKNN-Toolkit2, Workstation)
von rknn.api importieren RKNN
rknn = RKNN(Ausführlich=Wahr)
# Trainiertes ONNX-Modell laden
rknn.load_onnx(Modell='./defect_detector.onnx')
# Quantisierung konfigurieren
rknn.Konfiguration(Mittelwerte=[[123.675, 116.28, 103.53]],
std_values=[[58.395, 57.12, 57.375]],
ziel_platform=rk3588'.)
# Build mit INT8-Quantisierung
rknn.bauen(do_quantization=Wahr,
Datensatz='./kalibrierung_datensatz.txt')
# RKNN-Modell exportieren
rknn.export_rknn('./defect_detector.rknn')Der Kalibrierungsdatensatz (die datensatz.txt Datei mit 100-300 repräsentativen Bildern) ist die wichtigste Variable für die Quantisierungsqualität. Verwenden Sie Bilder, die den gesamten Bereich der Beleuchtungsbedingungen, Produktvarianten und Fehlertypen abdecken, mit denen Ihr System konfrontiert wird. Ein Kalibrierungssatz mit geringer Vielfalt ist die häufigste Ursache für einen Rückgang der Genauigkeit nach der Quantisierung.
Stufe 3: Geräteinterne Inferenz (RK3588)
von rknnlite.api importieren RKNNLite
rknn_lite = RKNNLite()
rknn_lite.laden_rknn('./defect_detector.rknn')
rknn_lite.init_runtime(Kern_Maske=RKNNLite.NPU_CORE_ALL)
# Laufende Inferenz
Ausgänge = rknn_lite.Inferenz(Eingaben=[vorverarbeitetes_bild])Setzen Sie den Inferenzfaden auf SCHED_FIFO Priorität in Linux, um Planungsschwankungen zu minimieren - ein entscheidender Faktor, wenn Ihr Inspektionssystem harte Latenzanforderungen hat, die an die Fördergeschwindigkeit gebunden sind.
Aus der Fabrikhalle: Die Lösung eines Problems der Quantisierungsgenauigkeit
Bericht aus erster Hand vom Ingenieurteam für eingebettete Systeme bei ieeker.
Ein Kunde, der ein Inline-Lötstelleninspektionssystem für eine PCB-Bestückungslinie aufbaut, kam zu uns mit einem funktionierenden PyTorch-Modell - einem ResNet50-basierten Klassifikator, der auf 15.000 Lötstellenbildern trainiert wurde und eine Genauigkeit von 94,2% auf dem Validierungsset erreichte. Das Problem: Nach der INT8-Quantisierung mit RKNN-Toolkit2 sank die Genauigkeit auf 76,8%. Der Qualitätsschwellenwert des Kunden lag bei mindestens 91%. Bei einer Genauigkeit von 76,8% war die Falschrückweisungsrate bei guten Leiterplatten wirtschaftlich inakzeptabel - Produktionsunterbrechungen aufgrund unnötiger Rückweisungen kosteten mehr als die Fehler, die das System eigentlich erkennen sollte.
Wir haben das Problem in zwei Teilen diagnostiziert. Erstens bestand der Kalibrierungsdatensatz aus 60 Bildern, die alle unter der gleichen Beleuchtungsanlage und zur gleichen Tageszeit aufgenommen wurden. Die Produktionslinie verfügte über drei verschiedene LED-Beleuchtungsintensitäten an verschiedenen Prüfstationen, und die Kalibrierungsbilder gaben diese Variation nicht wieder. Zweitens häuften die letzten beiden vollständig verknüpften Schichten des ResNet50 erhebliche Quantisierungsfehler an, da ihre Gewichtsverteilungen ungewöhnlich breit waren - eine Eigenschaft, mit der INT8 Schwierigkeiten hat.
Die Korrektur umfasste zwei Änderungen. Wir haben den Kalibrierungsdatensatz auf 280 Bilder erweitert, die alle drei Beleuchtungsbedingungen zu gleichen Teilen abdecken, plus 40 Bilder von Grenzfällen, die im ursprünglichen Kalibrierungssatz unterrepräsentiert waren. Außerdem haben wir eine Quantisierung mit gemischter Genauigkeit angewandt: die ersten 48 Schichten mit INT8, die letzten beiden FC-Schichten mit FP16. RKNN-Toolkit2 unterstützt speziell für dieses Szenario Präzisionsüberschreibungen pro Schicht.
Nach dem Neuaufbau des Modells stieg die Genauigkeit im Validierungssatz auf 91,7%. Die Latenzzeit auf dem Gerät betrug 31 ms pro Frame - innerhalb des Budgets des Kunden von 40 ms für seine Fördergeschwindigkeit. Das System ging sechs Tage nach dem Diagnoseaufruf in den Pilotbetrieb. In den drei Betriebsmonaten lag die Falschrückweisungsrate bei 0,4% und damit innerhalb der vom Kunden akzeptierten Schwelle von 0,5%.
Die Lektion: Die INT8-Quantisierungsgenauigkeit ist keine feste Eigenschaft Ihres Modells. Sie ist eine Funktion der Qualität der Kalibrierungsdaten und der Präzisionsentscheidungen pro Schicht. Beides ist steuerbar, und beides erfordert Fachwissen über Ihre Prüfumgebung, um richtig zu sein.
Projekt Fallstudie: Oberflächeninspektion von Automobil-Stanzteilen
RK3588 Embedded Vision Einsatz, 6-Kamera-Inspektionsstation, Automobilzulieferer Tier 1.
Anfang 2025 beauftragte uns ein Tier-1-Zulieferer der Automobilindustrie, eine PC-basierte Prüfstation an einer Stanzpressenlinie durch eine eingebettete Lösung zu ersetzen. Das bestehende System bestand aus einem Desktop-PC mit Windows und einer USB3 Vision-Kamera mit proprietärer Prüfsoftware eines Anbieters von Bildverarbeitungssystemen. Die Probleme: Der PC musste vierteljährlich gewartet werden, das Windows-Betriebssystem verursachte unvorhersehbare Latenzspitzen bei Systemaktualisierungen, und die Gesamtsystemkosten pro Station waren für die Skalierung auf 12 zusätzliche Pressenlinien unerschwinglich.
Die Ersatzspezifikation verlangte die Erkennung von Oberflächenkratzern, Verformungsspuren und Ölverunreinigungen auf gestanzten Stahlklammern bei 30 Teilen pro Minute, mit null falsch-negativen Ergebnissen bei Rissen, die breiter als 0,3 mm sind, und einer Falsch-Positiv-Rate unter 2%.
Wir haben das Ersatzsystem auf einem ieeker RK3588-Industrie-SBC mit einer 5MP-MIPI-Flächenkamera, einem strukturierten LED-Ringlicht mit Stroboskop-Synchronisation über GPIO und einer Debian-Linux-Umgebung aufgebaut, auf der ein kundenspezifisches YOLOv8s-basiertes Erkennungsmodell läuft. Das Modell wurde anhand von 8.200 beschrifteten Bildern von gestanzten Halterungsoberflächen trainiert, die alle drei Defekttypen sowie Negative mit sauberer Oberfläche abdecken.
Die wichtigsten Ergebnisse nach 60 Tagen Produktionsvalidierung:
| Metrisch | Ziel | Erreicht |
|---|---|---|
| Risserkennungsrate (≥0,3mm) | 100% | 100% |
| Kratzer-Erkennungsrate | >95% | 97.3% |
| Falsch-positiv-Rate | <2% | 1.1% |
| Zykluszeit der Inspektion | <2s/Teil | 1,4s/Teil |
| Leistungsaufnahme des Systems | <25W | 11.8W |
| Ungeplante Ausfallzeiten (60 Tage) | <4 Stunden | 0 Stunden |
| Stücklistenkosten gegenüber PC-basiertem System | - | 67% Ermäßigung |
Die Kostenreduzierung der 67%-Stückliste war ausschlaggebend für die Entscheidung des Kunden, das Projekt auf alle 13 Druckmaschinenlinien auszuweiten. Gesamtprojekt: 13 ausgelieferte Einheiten, alle mit identischen Buildroot-Images mit OTA-Update-Fähigkeit über SWUpdate. Das Wartungsteam des Kunden kann Inspektionsmodelle flottenweit aktualisieren, ohne physischen Zugang zu jeder Station.
RK3588 im Vergleich zu konkurrierenden Plattformen für die industrielle Bildverarbeitung
| Plattform | AI-Leistung | Vision-spezifische Merkmale | Strom | Kosten | Beste Passform |
|---|---|---|---|---|---|
| RK3588 | 6 TOPS NPU | Zwei ISP, 32MP, MIPI×4 | 5-13W | $$ | Eingebettete AOI, intelligente Kamera, Multi-Kamera-Knoten |
| Jetson Orin Nano | 40 TOPS | Einzelner ISP, CSI×2 | 7-15W | $$$$ | Komplexe Modelle, CUDA-Ökosystem |
| Hailo-8 | 26 TOPS | Kein ISP (benötigt Host-SoC) | 2.5-3W | $$$$ | Bildverarbeitungsbeschleuniger mit hohem Durchsatz als Zusatzmodul |
| NXP i.MX 8M Plus | 2.3 TOPS | Zweifacher ISP, MIPI×2 | 3-5W | $$ | IoT-Inspektion mit geringer Komplexität |
| Raspberry Pi 5 | Keine NPU | Einzelnes CSI | 5-8W | $ | Nur Entwicklung/Prototyping |
Speziell für die maschinelle Bildverarbeitung bietet der RK3588 mit seinem dualen ISP und der 4×4-Lane-MIPI-Konnektivität einen strukturellen Vorteil gegenüber Plattformen wie dem Jetson Orin Nano, der über stärkere KI-Rechenleistung, aber schwächere native Kamera-Schnittstellen verfügt. Wenn Ihr Inspektionssystem Kamerarohdaten mit hoher Auflösung verarbeiten muss, ist der ISP genauso wichtig wie die NPU.
Cognex Gesellschaft und Keyence Gesellschaft - die beiden weltweit größten Anbieter von Bildverarbeitungssystemen - bauen beide integrierte Smart-Kamera-Lösungen, bei denen die Verarbeitung in den Kamerakopf integriert ist. RK3588-basierte Embedded-Designs folgen der gleichen Architekturphilosophie, bieten aber Herstellern von Industriehardware die Flexibilität, kundenspezifische Sensoren, Gehäuse und E/A-Schnittstellen zu integrieren, die bei Smart-Kameras von der Stange nicht möglich sind.
Ist die RK3588 die richtige Plattform für Ihre Bildverarbeitungsanwendung?
Verwenden Sie diese Checkliste, bevor Sie sich auf die Plattform festlegen:
RK3588 ist eine gute Wahl, wenn:
- Ihre Inspektionsaufgabe verwendet CNN oder leichtgewichtige Transformer-Modelle (YOLOv5/v8, ResNet, MobileNet, DETR-Varianten)
- ✅ Sie benötigen ein einziges Gerät für Bilderfassung + Auswertung + E/A
- ✅ Ihre Kamera verwendet die MIPI CSI-2 oder USB3 Vision Schnittstelle
- ✅ Leistungsaufnahme unter 15 W oder passive Kühlung erforderlich
- ✅ Sie müssen mehrere identische Einheiten mit kontrollierten Stückkosten herstellen
- Ihr Team arbeitet in Python/C++ unter Linux
- Die geforderte Inspektionslatenz beträgt 15 ms oder mehr pro Bild.
Erwägen Sie Alternativen, wenn:
- ⚠️ Sie benötigen gleichzeitige Rückschlüsse auf 12+ Kameraströme bei voller Auflösung
- ⚠️ Ihr Modell verwendet Architekturen mit vielen nicht unterstützten NPU-Operatoren (aufmerksamkeitsstarke Transformatoren)
- ⚠️ Sie benötigen eine deterministische Inferenz unter 10 ms für Regelkreise in harter Echtzeit
- ❌ Submikrometer-Messtechnik oder Halbleiterwafer-Prüfung
- 3D-Punktwolkenverarbeitung in Echtzeit (LiDAR-Fusion)
- Die Modellkomplexität erfordert durchgehend FP32 (keine Quantisierungstoleranz).
IEEKER RK3588 Boards für Machine-Vision-Einsätze
Die industriellen SBCs RK3588 von IEEKER sind für den Einsatz in der industriellen Bildverarbeitung vorvalidiert und unterstützen unter anderem BSPs:
- Optimierte V4L2 MIPI CSI-2 Kameratreiber (getestet mit Sony IMX415, IMX577, OV13850 Sensoren)
- RKNN-Toolkit2 Laufzeitumgebung vorinstalliert auf Debian 12 und Ubuntu 22.04 Images
- GPIO-Strobe-Synchronisationsschnittstelle für LED-Ringlichtsteuerung
- Leitfäden zur Integration von Modbus TCP- und OPC-UA-Bibliotheken für die Anbindung von Fabriksystemen
- Hardware-H.265-Kodierung für die Archivierung von Prüfvideos ohne CPU-Overhead
Für die Entwicklung kundenspezifischer Bildverarbeitungssysteme - Sensorauswahl, Gehäuseintegration, kundenspezifisches Trägerplatinenlayout für spezifische Kameraschnittstellen - bietet unser kundenspezifischer Entwicklungsboard-Designservice deckt Hardware- und BSP-Einführung von Anfang bis Ende ab.
Wenn Sie die RK3588 für eine bestimmte Inspektionsanwendung evaluieren möchten, lesen Sie unsere RK3588 NPU Leistungsübersicht für detaillierte Benchmark-Daten und Informationen zur Modellkompatibilität, oder Kontakt zu unserem Ingenieurteam um Ihren Anwendungsfall zu besprechen.
FAQ
Kann die RK3588 Zeilenkameras für die kontinuierliche Bahnbeobachtung einsetzen?
Zeilenkameras verwenden in der Regel Camera Link- oder CoaXPress-Schnittstellen, die über PCIe angeschlossene Framegrabber erfordern. Die PCIe 3.0-Schnittstelle der RK3588 kann kompatible Framegrabber aufnehmen, aber die BSP-Unterstützung für bestimmte Framegrabberkarten muss validiert werden. Für Bahninspektionsanwendungen (Film, Stoff, Papier) sollten Sie sich mit uns in Verbindung setzen, um die Schnittstellenkompatibilität zu besprechen, bevor Sie sich festlegen.
Wie hoch ist die maximale Bildauflösung, die die RK3588 für die Prüfung verarbeiten kann?
Die ISP unterstützt Sensoren mit bis zu 32 MP. Die praktische Prüfauflösung hängt von den NPU-Inferenzanforderungen ab: Bei 4K (8MP) kann die ISP verarbeitete Bilder mit 60 Bildern pro Sekunde an die NPU-Pipeline liefern. Bei 12 MP sinkt die Bildrate, aber die Einzelbildlatenz ist bei nicht kontinuierlichen Prüfzyklen beherrschbar.
Unterstützt RKNN-Toolkit2 Modelle zur Erkennung von Anomalien (nicht nur überwachte Erkennung)?
Ja. Unüberwachte Anomalieerkennungsansätze, die auf Merkmalsextraktion (PatchCore, FastFlow) basieren, können auf dem RK3588 eingesetzt werden, indem das Merkmalsextraktions-Backbone (ResNet, EfficientNet) auf der NPU und der Anomaliebewertungsschritt auf der CPU ausgeführt wird. Die vollständige, unüberwachte End-to-End-Modellbereitstellung ist komplexer als die Standarderkennung, aber mit einer benutzerdefinierten RKNN-Operator-Implementierung machbar.
Wie verhält sich die RK3588 zur Temperaturstabilität in geschlossenen Industriegehäusen?
Der RK3588 wird in einem 8nm-Prozess gefertigt und hat eine typische Leistungsaufnahme von 5-13 W unter NPU-Last. In einem ordnungsgemäß konstruierten passiven Aluminiumgehäuse mit thermischem Schnittstellenmaterial zwischen SoC und Gehäusewand ist ein dauerhafter Betrieb bei Umgebungstemperaturen von bis zu 55 °C ohne Drosselung möglich. ieekers industrielle SBC-Designs sind für dieses thermische Profil validiert.
Schlussfolgerung
Die Verlagerung der maschinellen Bildverarbeitung von der zentralisierten PC-basierten Verarbeitung hin zur eingebetteten Edge-Implementierung beschleunigt sich. Der KI-Markt für industrielle Fehlererkennung wird voraussichtlich von 2,66 Mrd. USD im Jahr 2025 auf 4,02 Mrd. USD im Jahr 2030 anwachsen.wobei Deep Learning-basierte Ansätze dominieren. Für Hersteller, die die eingebettete Rechenplattform für diese Systeme bauen oder beschaffen, nimmt die RK3588 eine klar definierte und vertretbare Position ein: ausreichend NPU-Leistung für Inspektionsaufgaben in Produktionsqualität, vollständige SoC-Integration einschließlich ISP und industrieller E/A sowie ein Energie-/Kostenprofil, das den Einsatz im Flottenmaßstab wirtschaftlich sinnvoll macht.
Die Plattform ist nicht die Lösung für jedes Prüfproblem. Submikrometer-Messtechnik, 16+ gleichzeitige Kameraströme und harte Echtzeit-Steuerschleifen erfordern unterschiedliche Architekturen. Aber für das breite Mittelfeld der industriellen Bildverarbeitung - Oberflächeninspektion, Komponentenerkennung, AOI, Dimensionsprüfung - ist die RK3588 eine Plattform, die eine ernsthafte technische Bewertung wert ist.
Erkunden Sie ieeker's RK3588 eingebettete SBC-Baureihe oder lesen Sie unser Vollständiger Leitfaden für Embedded Linux-Boards für einen breiteren Plattformkontext.
Quellen und Referenzen:
- Größe und Anteil des Marktes für industrielle Bildverarbeitung 2025-2030 - MarketsandMarkets
- KI-Markt für industrielle Defekterkennung 2025-2035 - Future Market Insights
- SMF-DETR: Erkennung von Lagerfehlern bei RK3588 - Annals of the New York Academy of Sciences (2025)
- Echtzeit-Drahtseildetektion auf RK3588 - Wissenschaftliche Berichte (2025)
- PCB-Oberflächen-Defekt-Erkennung - ScienceDirect (2025)
- RK3588 NPU-Benchmarks - TinyComputers.io (2025)
- Industrieller Bildverarbeitungsmarkt 2025 - Global Growth Insights
- Automatisierte optische Inspektion - Wikipedia
- RKNN-Toolkit2 - Rockchip GitHub
