{"id":10289,"date":"2026-05-19T17:25:29","date_gmt":"2026-05-19T09:25:29","guid":{"rendered":"https:\/\/ieeker.com\/?p=10289"},"modified":"2026-05-19T17:31:29","modified_gmt":"2026-05-19T09:31:29","slug":"rk3588-machine-vision-defect-detection","status":"publish","type":"post","link":"https:\/\/ieeker.com\/de\/rk3588-machine-vision-defect-detection\/","title":{"rendered":"RK3588 f\u00fcr maschinelles Sehen und industrielle Fehlerdetektion: Ein vollst\u00e4ndiger technischer Leitfaden"},"content":{"rendered":"<div data-elementor-type=\"wp-post\" data-elementor-id=\"10289\" class=\"elementor elementor-10289\" data-elementor-post-type=\"post\">\n\t\t\t\t<div class=\"elementor-element elementor-element-6be2327 e-flex e-con-boxed e-con e-parent\" data-id=\"6be2327\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-d386505 elementor-widget elementor-widget-text-editor\" data-id=\"d386505\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\">Die RK3588 ist eine bew\u00e4hrte Plattform f\u00fcr die industrielle Bildverarbeitung und Fehlererkennung - mit YOLOv5s bei 54+ FPS und leichten Erkennungstransformatoren bei 58 FPS auf dem Ger\u00e4t, mit einer 6 TOPS NPU, die INT8-Inferenz bei 5-6W verarbeitet. Er eignet sich f\u00fcr Single-Line-AOI, Multi-Kamera-Inspektionsknoten und eingebettete Smart-Kamera-Anwendungen, bei denen Kosten, Leistung und Formfaktor eine Rolle spielen. F\u00fcr die Halbleitermetrologie im Submikronbereich oder gleichzeitige 32-Kamera-Streams ist ein dedizierter Beschleuniger der bessere Weg.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-668b73b elementor-widget elementor-widget-text-editor\" data-id=\"668b73b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><strong>Wichtigste Erkenntnisse<\/strong><\/h2><ul class=\"[li_&amp;]:mb-0 [li_&amp;]:mt-1 [li_&amp;]:gap-1 [&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-disc flex flex-col gap-1 pl-8 mb-3\"><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Der globale Markt f\u00fcr 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)<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Die RK3588 erkennt Lagersch\u00e4den bei <strong>58,1 FPS<\/strong> auf dem Ger\u00e4t unter Verwendung eines leichtgewichtigen DETR-Modells bei 96,2% mAP@50 (Annals of the New York Academy of Sciences, 2025)<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Die 6 TOPS NPU unterst\u00fctzt YOLOv5, YOLOv8, MobileNet, ResNet und benutzerdefinierte CNN-Architekturen \u00fcber RKNN-Toolkit2 - kein spezielles KI-Framework erforderlich<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u00dcber <strong>41% der neuen Bildverarbeitungssysteme<\/strong> im Jahr 2025 Edge-KI-Funktionen umfassen, angetrieben durch Latenz-, Datenschutz- und Bandbreitenanforderungen (Global Growth Insights)<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">RK3588-Bildverarbeitungssysteme verbrauchen 5-13 W - im Vergleich zu 10-30 W bei GPU-basierten Alternativen - und erm\u00f6glichen eine passive K\u00fchlung in geschlossenen Industriegeh\u00e4usen<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Deep Learning-basierte Fehlererkennung h\u00e4lt <strong>56% Marktanteil<\/strong> im Jahr 2025, so dass CNN\/Transformer-kompatible Edge-Plattformen wie RK3588 die Standardarchitektur der Wahl werden (Future Market Insights)<\/span><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-dade285 elementor-widget elementor-widget-text-editor\" data-id=\"dade285\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Warum sich die industrielle Bildverarbeitung an den Rand bewegt - und warum RK3588 dazu passt<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die industrielle Bildverarbeitung war lange Zeit eine serverbasierte Technologie. Kameras erfassen Bilder, ein PC oder Rack-Server verarbeitet sie, und die Ergebnisse werden \u00fcber Ethernet oder Feldbus zur\u00fcckgesendet. Dieses Modell funktionierte, als die Produktionslinien mit niedrigen Geschwindigkeiten liefen, die Bilder eine niedrige Aufl\u00f6sung hatten und die Latenztoleranz in Sekunden gemessen wurde.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">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 F\u00f6rdergeschwindigkeiten von \u00fcber 2 Metern pro Sekunde. Verpackungslinien f\u00fcr Lebensmittel tolerieren keine falsch negativen Ergebnisse bei Verunreinigungen. Die \u00dcbertragung jedes Einzelbildes an einen zentralen Server - \u00fcber ein Fabriknetzwerk mit Echtzeitplanungsbeschr\u00e4nkungen - ist f\u00fcr die anspruchsvollsten Anwendungen nicht mehr praktikabel.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-52a13b0 elementor-widget elementor-widget-text-editor\" data-id=\"52a13b0\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Nach Angaben von <a href=\"https:\/\/www.marketsandmarkets.com\/Market-Reports\/industrial-machine-vision-market-234246734.html\" target=\"_blank\" rel=\"noopener\">M\u00e4rkteundM\u00e4rkte<\/a>w\u00e4chst der globale Markt f\u00fcr 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 Engp\u00e4sse auf zentralen Servern beseitigen.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die RK3588 adressiert diesen Wandel direkt. Seine 6 TOPS NPU, Dual-ISP mit Unterst\u00fctzung f\u00fcr bis zu 32MP-Kameras, Hardware-H.265-Kodierung und industrielle E\/A-Schnittstellen machen ihn zu einer f\u00e4higen Plattform f\u00fcr eingebettete Bildverarbeitung - keine Kompromissl\u00f6sung, sondern eine zweckm\u00e4\u00dfige Architektur f\u00fcr den Anwendungsfall der Kantenpr\u00fcfung.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a010cf0 elementor-widget elementor-widget-text-editor\" data-id=\"a010cf0\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Wie die RK3588-Hardware die Bildverarbeitungsaufgaben unterst\u00fctzt<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Um zu verstehen, wo sich der RK3588 in der industriellen Bildverarbeitung auszeichnet, muss man \u00fcber die NPU-Spezifikation hinaus den gesamten Funktionsumfang des SoC betrachten, der in der industriellen Inspektion tats\u00e4chlich genutzt wird.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1f498aa elementor-widget elementor-widget-text-editor\" data-id=\"1f498aa\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Bildakquisition: ISP und Kamera-Schnittstelle<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">In die RK3588 ist ein Dual-ISP (Image Signal Processor) integriert, der Sensoren mit bis zu 32 MP verarbeiten kann. Dies ist keine Marketing-Fu\u00dfnote - in der industriellen Bildverarbeitung wirkt sich die Qualit\u00e4t des ISP direkt auf die Genauigkeit der Fehlererkennung aus. Der ISP \u00fcbernimmt die Rauschunterdr\u00fcckung, die Linsenabschattungskorrektur, den automatischen Wei\u00dfabgleich und die HDR-Tonwertzuordnung in Hardware und entlastet so die CPU und NPU von diesen rechenintensiven Vorg\u00e4ngen.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d6391ca elementor-widget elementor-widget-text-editor\" data-id=\"d6391ca\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Optionen f\u00fcr Kameraanschl\u00fcsse bei der RK3588:<\/span><\/p><div class=\"overflow-x-auto w-full px-2 mb-6\"><table class=\"min-w-full border-collapse text-sm leading-[1.7] whitespace-normal\"><thead class=\"text-left\"><tr><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Schnittstelle<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Max Bahnen<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Typische Verwendung<\/span><\/th><\/tr><\/thead><tbody><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">MIPI CSI-2<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">4\u00d74 Fahrspuren<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Fl\u00e4chenkameras, Sensoren der GigE-Klasse<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">USB 3.0<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">2 H\u00e4fen<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">USB3 Vision-Kameras, industrielle USB-Kameras<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">HDMI-Eingang<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">1 Anschluss<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Erfassungskarten, Analog-Digital-Eingang<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">PCIe 3.0<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">1\u00d74 oder 2\u00d72<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">CoaXPress \/ Camera Link Bilderfassungskarten<\/span><\/td><\/tr><\/tbody><\/table><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">F\u00fcr die meisten eingebetteten Bildverarbeitungsanwendungen ist MIPI CSI-2 der prim\u00e4re Pfad. Eine 4-Lane-MIPI-Verbindung unterst\u00fctzt die Rohbild\u00fcbertragung mit bis zu 4K@60fps, was f\u00fcr die meisten Inline-AOI- und Oberfl\u00e4cheninspektionsaufgaben ausreicht.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5a50902 elementor-widget elementor-widget-text-editor\" data-id=\"5a50902\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">NPU: Die Inferenzmaschine<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die 6-TOPS-NPU ist das Herzst\u00fcck der Bildverarbeitungsfunktionen des RK3588. Sie unterst\u00fctzt INT4-, INT8- und INT16-Quantisierung f\u00fcr CNN- und transformatorbasierte Modelle, wobei FP16 f\u00fcr pr\u00e4zisionsempfindliche Schichten verf\u00fcgbar ist. In der maschinellen Bildverarbeitung ist die INT8-Quantisierung der Standard-Einsatzmodus - sie bietet eine Genauigkeit nahe FP32 mit einer 4-8-fachen Durchsatzsteigerung.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><a href=\"https:\/\/tinycomputers.io\/posts\/rockchip-rk3588-npu-benchmarks.html\" target=\"_blank\" rel=\"noopener\">Praxisnahe Benchmarks von TinyComputers.io<\/a> zeigen, dass ResNet18 mit 244 FPS und 4,09 ms Latenzzeit auf der RK3588 NPU l\u00e4uft. F\u00fcr Defektklassifizierungsaufgaben mit ResNet-Architekturen bedeutet dies einen Pr\u00fcfdurchsatz, der Hochgeschwindigkeits-F\u00f6rderanwendungen ohne Frame-Dropping bew\u00e4ltigt.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3890b93 elementor-widget elementor-widget-text-editor\" data-id=\"3890b93\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">CPU- und Speicherbandbreite<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die Cortex-A76-Kerne \u00fcbernehmen Vor- und Nachverarbeitungsaufgaben, die sich nicht effizient auf die NPU abbilden lassen: Bilddecodierung, Nicht-Maximum-Unterdr\u00fcckung (NMS), Ergebnispaketierung und Kommunikation mit SPS- oder SCADA-Systemen. Die verbesserte Single-Thread-Leistung des A76 im Vergleich zu seinen Vorg\u00e4ngern (ca. 2,5-3x im Vergleich zum Cortex-A72) ist f\u00fcr diese sequenziellen Vorverarbeitungsvorg\u00e4nge von Bedeutung.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Der LPDDR4X-Speicher mit 64-Bit-Bus bietet die erforderliche Bandbreite, um die gleichzeitige Kameraerfassung, die NPU-Pipeline und die Ergebnisausgabe ohne Speicherengp\u00e4sse aufrechtzuerhalten - ein h\u00e4ufiger Fehlermodus bei Embedded-Plattformen im unteren Preissegment.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0b99abc elementor-widget elementor-widget-text-editor\" data-id=\"0b99abc\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">RK3588 Bildverarbeitungsleistung: Echte Benchmark-Daten<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Rohe Spezifikationen sind weniger wichtig als gemessene Ergebnisse bei tats\u00e4chlichen Inspektionsaufgaben. Dies zeigen die ver\u00f6ffentlichten Forschungs- und Einsatzdaten.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5dfd9ac elementor-widget elementor-widget-text-editor\" data-id=\"5dfd9ac\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Benchmarks f\u00fcr die Fehlererkennung<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><a href=\"https:\/\/nyaspubs.onlinelibrary.wiley.com\/doi\/10.1111\/nyas.70156?af=R\" target=\"_blank\" rel=\"noopener\"><span style=\"font-size: 14pt;\">Eine 2025 in den Annals of the New York Academy of Sciences ver\u00f6ffentlichte Studie<\/span><\/a><span style=\"font-size: 14pt;\">\u00a0hat den SMF-DETR-Erkennungstransformator, der f\u00fcr die Erkennung von Lageroberfl\u00e4chendefekten optimiert ist, auf der RK3588-Plattform getestet:<\/span><\/p><div class=\"overflow-x-auto w-full px-2 mb-6\"><table class=\"min-w-full border-collapse text-sm leading-[1.7] whitespace-normal\"><thead class=\"text-left\"><tr><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Metrisch<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Wert<\/span><\/th><\/tr><\/thead><tbody><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">mAP@50<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">96.2%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Genauigkeit<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">98.1%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">FPS auf RK3588<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">58,1 FPS<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">FPS auf Desktop-GPU<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">97,3 FPS<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Verkleinerung des Modells im Vergleich zur Ausgangslage<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">37.1%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Reduzierung der Rechenkosten<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">57.7%<\/span><\/td><\/tr><\/tbody><\/table><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">58 FPS auf einem Embedded Board, das weniger als 10 W verbraucht, bei 96,2% mAP - das ist eine produktionstaugliche Leistung f\u00fcr die Lagerpr\u00fcfung bei realistischen F\u00f6rdergeschwindigkeiten.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0835eca elementor-widget elementor-widget-image\" data-id=\"0835eca\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img fetchpriority=\"high\" decoding=\"async\" width=\"800\" height=\"534\" src=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart-1024x683.webp\" class=\"attachment-large size-large wp-image-10294\" alt=\"\" srcset=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart-1024x683.webp 1024w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart-300x200.webp 300w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart-768x512.webp 768w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart-18x12.webp 18w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart.webp 1536w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2bf9772 elementor-widget elementor-widget-text-editor\" data-id=\"2bf9772\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\"><a href=\"https:\/\/www.nature.com\/articles\/s41598-025-16043-z\" target=\"_blank\" rel=\"noopener\">Eine separate Studie, ver\u00f6ffentlicht in Scientific Reports (2025)<\/a>\u00a0hat ein System zur Erkennung von Drahtseildefekten auf dem RK3588 implementiert, das eine MobileNetV3-basierte Architektur mit einem benutzerdefinierten Aufmerksamkeitsmechanismus verwendet. Die Forscher entschieden sich f\u00fcr den RK3588 gegen\u00fcber dem Jetson Nano, weil er bei gleichem Leistungsumfang und Kosten eine h\u00f6here Rechendichte aufweist und eine Echtzeit-Erkennungsleistung erzielt, f\u00fcr die serverabh\u00e4ngige Systeme 20-30 Minuten ben\u00f6tigten.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6c87a07 elementor-widget elementor-widget-text-editor\" data-id=\"6c87a07\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Vision-Workload-Leistungstabelle<\/h3><div class=\"overflow-x-auto w-full px-2 mb-6\"><table class=\"min-w-full border-collapse text-sm leading-[1.7] whitespace-normal\"><thead class=\"text-left\"><tr><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Modell<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Aufgabe<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Pr\u00e4zision<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Latenzzeit<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">FPS<\/span><\/th><\/tr><\/thead><tbody><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">ResNet18<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Klassifizierung<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">4.09ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">244<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">YOLOv5s<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Erkennung von Objekten<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~18ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~54<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">YOLOv8n<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Erkennung von Objekten<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~15ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~65<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">MobileNetV2<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Merkmalsextraktion<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~5ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~200<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">SMF-DETR (Lager)<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Erkennung von Defekten<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~17ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">58.1<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">MobileNetV3 (Drahtseil)<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Erkennung von Defekten<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~20ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~50<\/span><\/td><\/tr><\/tbody><\/table><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><em>Quellen: TinyComputers.io Benchmarks; Annals of the New York Academy of Sciences (2025); Scientific Reports (2025)<\/em><\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fb5c45c elementor-widget elementor-widget-text-editor\" data-id=\"fb5c45c\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Architektur eines Bildverarbeitungssystems auf RK3588<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">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.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-004d42a elementor-widget elementor-widget-text-editor\" data-id=\"004d42a\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Empfohlener Stack f\u00fcr Inline-AOI<\/h3><div class=\"relative group\/copy bg-bg-000\/50 border-0.5 border-border-400 rounded-lg focus:outline-none focus-visible:ring-2 focus-visible:ring-accent-100\" tabindex=\"0\" role=\"group\" aria-label=\"Code\"><div class=\"overflow-x-auto\"><pre class=\"code-block__code !my-0 !rounded-lg !text-sm !leading-relaxed p-3.5\"><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Kameraebene \u2502<\/span><br \/><span style=\"font-size: 14pt;\">MIPI CSI-2 Fl\u00e4chenkamera (2-12MP) \u2502 MIPI CSI-2 Fl\u00e4chenkamera (2-12MP) \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Stroboskop-synchronisiertes LED-Ringlicht \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Rohes Bayer \/ YUV<\/span><br \/><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u25bc\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 ISP-Schicht (Hardware) \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Rauschunterdr\u00fcckung, Korrektur von Abschattungen \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Demosaicing, Wei\u00dfabgleich, HDR \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Verarbeitetes Bild (RGB\/YUV)<\/span><br \/><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u25bc\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Vorverarbeitung (CPU \/ A76) \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Gr\u00f6\u00dfe \u00e4ndern, normalisieren, ROI beschneiden \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Multi-Thread-Pipeline \u00fcber V4L2 + OpenCV \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Inferenzf\u00e4higer Tensor<\/span><br \/><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u25bc\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">NPU-Inferenzschicht \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 RKNN-Toolkit2 Laufzeit \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 INT8 quantisiertes Modell (YOLOv8 \/ ResNet \/ DETR) \u2502<\/span><br \/><span style=\"font-size: 14pt;\">SCHED_FIFO-Priorit\u00e4t f\u00fcr deterministische Latenzzeit \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Erkennungsergebnisse \/ Begrenzungsrahmen<\/span><br \/><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u25bc\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Nachbearbeitung (CPU) \u2502<\/span><br \/><span style=\"font-size: 14pt;\">NMS, Vertrauensschwellenwert, Klassenzuordnung \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Fehlerklassifizierung und Koordinatenabbildung \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Pass\/Fail-Signal + Fehlerdaten<\/span><br \/><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u25bc\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Werkseitige Integration \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 GPIO-Triggerausgang \u2192 Ablehnungsaktor \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Modbus TCP \/ OPC-UA \u2192 SCADA \/ MES \u2502<\/span><br \/><span style=\"font-size: 14pt;\">MQTT \u2192 Cloud-Datenaggregation \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><\/pre><\/div><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Diese Architektur l\u00e4uft vollst\u00e4ndig auf einer einzigen RK3588-Karte. Es gibt keinen externen Server, keine Netzwerk-Inferenzaufrufe und keinen einzigen Ausfallpunkt au\u00dferhalb der Karte selbst.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b9e9819 elementor-widget elementor-widget-image\" data-id=\"b9e9819\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"450\" data-src=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-1024x576.webp\" class=\"attachment-large size-large wp-image-10293 lazyload\" alt=\"\" data-srcset=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-1024x576.webp 1024w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-300x169.webp 300w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-768x432.webp 768w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-1536x864.webp 1536w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-18x10.webp 18w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram.webp 1672w\" data-sizes=\"(max-width: 800px) 100vw, 800px\" src=\"data:image\/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw==\" style=\"--smush-placeholder-width: 800px; --smush-placeholder-aspect-ratio: 800\/450;\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-35f5015 elementor-widget elementor-widget-text-editor\" data-id=\"35f5015\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Wichtige Software-Komponenten<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>V4L2 (Video f\u00fcr Linux 2):<\/strong> Das Kernel-Framework f\u00fcr Kameraerfassung unter Linux. Das BSP von RK3588 enth\u00e4lt optimierte V4L2-Treiber f\u00fcr MIPI CSI-Kameras, die Frame-Callbacks mit niedriger Latenz unterst\u00fctzen, die direkt in die Inferenzpipeline eingespeist werden.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>RKNN-Toolkit2:<\/strong> Rockchips SDK f\u00fcr die Modellbereitstellung. Erm\u00f6glicht die Modellkonvertierung von TensorFlow, PyTorch (\u00fcber ONNX), Caffe und MXNet in das RKNN-Format mit INT8-Quantisierungskalibrierung und der Laufzeit-API f\u00fcr ger\u00e4teinterne Inferenz.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>OpenCV:<\/strong> Die Standard-Computer-Vision-Bibliothek f\u00fcr Vorverarbeitungsoperationen. Funktioniert effizient auf RK3588 Debian\/Ubuntu-Umgebungen.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>GStreamer:<\/strong> F\u00fcr die Verwaltung von Pipelines mit mehreren Kameras, die hardwarebeschleunigte Codierung von Inspektionsvideos und die gleichzeitige Erfassung aus mehreren Quellen.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-895f668 elementor-widget elementor-widget-text-editor\" data-id=\"895f668\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Unterst\u00fctzte Defect Detection Anwendungsf\u00e4lle<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Das Leistungsprofil der RK3588 ist auf eine bestimmte Bandbreite industrieller Pr\u00fcfanwendungen zugeschnitten. Wenn Sie verstehen, wo es passt - und wo nicht -, sparen Sie sich wochenlangen Integrationsaufwand.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-31b0f5b elementor-widget elementor-widget-text-editor\" data-id=\"31b0f5b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">\u2705 Starke Anpassung: Erkennung von Oberfl\u00e4chenfehlern<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Inspektion von L\u00f6tstellen auf Leiterplatten, Erkennung von Kratzern auf Metalloberfl\u00e4chen, Oberfl\u00e4chendefekte beim Kunststoffspritzguss, Klassifizierung von Textildefekten - all diese Anwendungen verwenden CNN- oder leichtgewichtige Transformatormodelle f\u00fcr 2D-Bilder, lassen sich sauber auf INT8-Quantisierung abbilden und arbeiten mit Bildraten, die weit unter der NPU-Kapazit\u00e4t der RK3588 liegen.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S259012302502506X\" target=\"_blank\" rel=\"noopener\">Eine umfassende \u00dcbersicht \u00fcber 2025 in ScienceDirect<\/a>\u00a082 Studien zur Erkennung von PCB-Oberfl\u00e4chendefekten best\u00e4tigen, dass <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/en.wikipedia.org\/wiki\/Automated_optical_inspection\" target=\"_blank\" rel=\"noopener\">Automatisierte optische Inspektion (AOI)<\/a> der dominierende Ansatz in der SMT-Produktion bleibt - und dass Deep-Learning-basierte Methoden, die jetzt 56% Marktanteil haben, der Leistungsstandard sind. Die RK3588 f\u00fchrt diese Modelle mit produktionsrelevanten Geschwindigkeiten aus.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-32e5621 elementor-widget elementor-widget-text-editor\" data-id=\"32e5621\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">\u2705 Starke Anpassung: Objekterkennung und Z\u00e4hlung<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die Inspektion von Blisterverpackungen in der Pharmazie (fehlende Pillen, zerbrochene Tabletten), die Erkennung von Fremdk\u00f6rpern in der Lebensmittelindustrie, die \u00dcberpr\u00fcfung des Vorhandenseins bzw. Nichtvorhandenseins von Bauteilen an Montagelinien - all dies sind Aufgaben der Objekterkennung, bei denen die YOLOv5\/v8-Modelle mit INT8-Pr\u00e4zision 50-65 FPS auf der RK3588 liefern, was f\u00fcr Linien mit mehreren hundert Teilen pro Minute ausreicht.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-38ab707 elementor-widget elementor-widget-text-editor\" data-id=\"38ab707\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">\u2705 Starke Passform: Dimensionelle Messung (visuell)<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die \u00dcberpr\u00fcfung der Bauteilabmessungen, die Spaltmessung und die Ausrichtungspr\u00fcfung mit Hilfe kalibrierter Kamera- und Kantenerkennungsalgorithmen (Canny, Hough-Transformation) laufen effizient auf den CPU-Kernen, wobei die NPU alle Schritte der erlernten Bauteillokalisierung \u00fcbernimmt.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4c4b13e elementor-widget elementor-widget-text-editor\" data-id=\"4c4b13e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">\u26a0\ufe0f Arbeitsf\u00e4hig mit Optimierung: Simultane Multi-Kamera-Inspektion<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">4-8 Kamera-Inspektionsknoten k\u00f6nnen mit einer einzigen RK3588 bei sorgf\u00e4ltigem Pipeline-Design erreicht werden: reduzierte Aufl\u00f6sung 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.<\/span><\/p><h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">\u274c Nicht die richtige L\u00f6sung: Sub-Mikron-Halbleiter-Metrologie<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die Inspektion von Wafern, die Lokalisierung von Defekten auf Die-Ebene im Nanometerbereich und das Stitching von Multi-Gigapixel-Bildern f\u00fcr die Qualit\u00e4tskontrolle von Halbleitern erfordern spezielle Messtechnik-Hardware (High-End-Systeme von Teledyne, KLA, Keyence) oder Rechenleistung der GPU-Klasse. RK3588 ist nicht in diesem Bereich t\u00e4tig.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-218c0d1 elementor-widget elementor-widget-text-editor\" data-id=\"218c0d1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">RKNN-Toolkit2: Einsatz des Erkennungsmodells auf RK3588<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Der praktische Arbeitsablauf f\u00fcr den Einsatz eines Bildverarbeitungsmodells auf RK3588 erfolgt in drei Schritten. Durch das Verst\u00e4ndnis der einzelnen Phasen lassen sich die h\u00e4ufigsten Integrationsprobleme vermeiden.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2524bc5 elementor-widget elementor-widget-text-editor\" data-id=\"2524bc5\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Stufe 1: Modellschulung (Workstation)<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Trainieren Sie Ihr Erkennungs- oder Klassifizierungsmodell in PyTorch, TensorFlow oder dem Framework Ihrer Wahl auf einer GPU-Workstation. F\u00fcr Bildverarbeitungsaufgaben sollten Sie mit bew\u00e4hrten Architekturen beginnen: YOLOv8n oder YOLOv8s f\u00fcr die Erkennung, MobileNetV3 f\u00fcr die Klassifizierung und EfficientDet-lite f\u00fcr die Mehrklassenpr\u00fcfung. Benutzerdefinierte Architekturen sind m\u00f6glich, aber jede Schicht, die nicht von der NPU von RKNN unterst\u00fctzt wird, f\u00e4llt auf die CPU-Ausf\u00fchrung zur\u00fcck - \u00fcberpr\u00fcfen Sie die RKNN-Operator-Supportliste, bevor Sie sich auf ungew\u00f6hnliche Bausteine festlegen.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-881ad1e elementor-widget elementor-widget-text-editor\" data-id=\"881ad1e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Stufe 2: Quantisierung und Umwandlung (RKNN-Toolkit2, Workstation)<\/h3><div class=\"relative group\/copy bg-bg-000\/50 border-0.5 border-border-400 rounded-lg focus:outline-none focus-visible:ring-2 focus-visible:ring-accent-100\" tabindex=\"0\" role=\"group\" aria-label=\"Python-Code\"><div class=\"overflow-x-auto\"><pre class=\"code-block__code !my-0 !rounded-lg !text-sm !leading-relaxed p-3.5\"><span style=\"font-size: 14pt;\"><code class=\"language-python\"><span class=\"token token\">von<\/span> rknn<span class=\"token token\">.<\/span>api <span class=\"token token\">importieren<\/span> RKNN\n\nrknn <span class=\"token token\">=<\/span> RKNN<span class=\"token token\">(<\/span>Ausf\u00fchrlich<span class=\"token token\">=<\/span><span class=\"token token\">Wahr<\/span><span class=\"token token\">)<\/span>\n\n<span class=\"token token\"># Trainiertes ONNX-Modell laden<\/span>\nrknn<span class=\"token token\">.<\/span>load_onnx<span class=\"token token\">(<\/span>Modell<span class=\"token token\">=<\/span><span class=\"token token\">'.\/defect_detector.onnx'<\/span><span class=\"token token\">)<\/span>\n\n<span class=\"token token\"># Quantisierung konfigurieren<\/span>\nrknn<span class=\"token token\">.<\/span>Konfiguration<span class=\"token token\">(<\/span>Mittelwerte<span class=\"token token\">=<\/span><span class=\"token token\">[<\/span><span class=\"token token\">[<\/span><span class=\"token token\">123.675<\/span><span class=\"token token\">,<\/span> <span class=\"token token\">116.28<\/span><span class=\"token token\">,<\/span> <span class=\"token token\">103.53<\/span><span class=\"token token\">]<\/span><span class=\"token token\">]<\/span><span class=\"token token\">,<\/span>\n            std_values<span class=\"token token\">=<\/span><span class=\"token token\">[<\/span><span class=\"token token\">[<\/span><span class=\"token token\">58.395<\/span><span class=\"token token\">,<\/span> <span class=\"token token\">57.12<\/span><span class=\"token token\">,<\/span> <span class=\"token token\">57.375<\/span><span class=\"token token\">]<\/span><span class=\"token token\">]<\/span><span class=\"token token\">,<\/span>\n            ziel_platform<span class=\"token token\">=<\/span><span class=\"token token\">rk3588'.<\/span><span class=\"token token\">)<\/span>\n\n<span class=\"token token\"># Build mit INT8-Quantisierung<\/span>\nrknn<span class=\"token token\">.<\/span>bauen<span class=\"token token\">(<\/span>do_quantization<span class=\"token token\">=<\/span><span class=\"token token\">Wahr<\/span><span class=\"token token\">,<\/span> \n           Datensatz<span class=\"token token\">=<\/span><span class=\"token token\">'.\/kalibrierung_datensatz.txt'<\/span><span class=\"token token\">)<\/span>\n\n<span class=\"token token\"># RKNN-Modell exportieren<\/span>\nrknn<span class=\"token token\">.<\/span>export_rknn<span class=\"token token\">(<\/span><span class=\"token token\">'.\/defect_detector.rknn'<\/span><span class=\"token token\">)<\/span><\/code><\/span><\/pre><\/div><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Der Kalibrierungsdatensatz (die <span style=\"color: #ff0000;\"><code class=\"bg-text-200\/5 border border-0.5 border-border-300 text-danger-000 whitespace-pre-wrap rounded-[0.4rem] px-1 py-px text-[0.9rem]\">datensatz.txt<\/code><\/span> Datei mit 100-300 repr\u00e4sentativen Bildern) ist die wichtigste Variable f\u00fcr die Quantisierungsqualit\u00e4t. 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 h\u00e4ufigste Ursache f\u00fcr einen R\u00fcckgang der Genauigkeit nach der Quantisierung.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8efba4b elementor-widget elementor-widget-text-editor\" data-id=\"8efba4b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Stufe 3: Ger\u00e4teinterne Inferenz (RK3588)<\/h3><div class=\"relative group\/copy bg-bg-000\/50 border-0.5 border-border-400 rounded-lg focus:outline-none focus-visible:ring-2 focus-visible:ring-accent-100\" tabindex=\"0\" role=\"group\" aria-label=\"Python-Code\"><div class=\"overflow-x-auto\"><pre class=\"code-block__code !my-0 !rounded-lg !text-sm !leading-relaxed p-3.5\"><code class=\"language-python\"><span class=\"token token\"><span style=\"font-size: 14pt;\">von<\/span><\/span><span style=\"font-size: 14pt;\"> rknnlite<span class=\"token token\">.<\/span>api <span class=\"token token\">importieren<\/span> RKNNLite\n\nrknn_lite <span class=\"token token\">=<\/span> RKNNLite<span class=\"token token\">(<\/span><span class=\"token token\">)<\/span>\nrknn_lite<span class=\"token token\">.<\/span>laden_rknn<span class=\"token token\">(<\/span><span class=\"token token\">'.\/defect_detector.rknn'<\/span><span class=\"token token\">)<\/span>\nrknn_lite<span class=\"token token\">.<\/span>init_runtime<span class=\"token token\">(<\/span>Kern_Maske<span class=\"token token\">=<\/span>RKNNLite<span class=\"token token\">.<\/span>NPU_CORE_ALL<span class=\"token token\">)<\/span>\n\n<span class=\"token token\"># Laufende Inferenz<\/span>\nAusg\u00e4nge <span class=\"token token\">=<\/span> rknn_lite<span class=\"token token\">.<\/span>Inferenz<span class=\"token token\">(<\/span>Eingaben<span class=\"token token\">=<\/span><span class=\"token token\">[<\/span>vorverarbeitetes_bild<span class=\"token token\">]<\/span><span class=\"token token\">)<\/span><\/span><\/code><\/pre><\/div><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Setzen Sie den Inferenzfaden auf <code class=\"bg-text-200\/5 border border-0.5 border-border-300 text-danger-000 whitespace-pre-wrap rounded-[0.4rem] px-1 py-px text-[0.9rem]\">SCHED_FIFO<\/code> Priorit\u00e4t in Linux, um Planungsschwankungen zu minimieren - ein entscheidender Faktor, wenn Ihr Inspektionssystem harte Latenzanforderungen hat, die an die F\u00f6rdergeschwindigkeit gebunden sind.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e93db89 elementor-widget elementor-widget-text-editor\" data-id=\"e93db89\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Aus der Fabrikhalle: Die L\u00f6sung eines Problems der Quantisierungsgenauigkeit<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><em>Bericht aus erster Hand vom Ingenieurteam f\u00fcr eingebettete Systeme bei ieeker.<\/em><\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Ein Kunde, der ein Inline-L\u00f6tstelleninspektionssystem f\u00fcr eine PCB-Best\u00fcckungslinie aufbaut, kam zu uns mit einem funktionierenden PyTorch-Modell - einem ResNet50-basierten Klassifikator, der auf 15.000 L\u00f6tstellenbildern 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 Qualit\u00e4tsschwellenwert des Kunden lag bei mindestens 91%. Bei einer Genauigkeit von 76,8% war die Falschr\u00fcckweisungsrate bei guten Leiterplatten wirtschaftlich inakzeptabel - Produktionsunterbrechungen aufgrund unn\u00f6tiger R\u00fcckweisungen kosteten mehr als die Fehler, die das System eigentlich erkennen sollte.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">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 verf\u00fcgte \u00fcber drei verschiedene LED-Beleuchtungsintensit\u00e4ten an verschiedenen Pr\u00fcfstationen, und die Kalibrierungsbilder gaben diese Variation nicht wieder. Zweitens h\u00e4uften die letzten beiden vollst\u00e4ndig verkn\u00fcpften Schichten des ResNet50 erhebliche Quantisierungsfehler an, da ihre Gewichtsverteilungen ungew\u00f6hnlich breit waren - eine Eigenschaft, mit der INT8 Schwierigkeiten hat.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die Korrektur umfasste zwei \u00c4nderungen. Wir haben den Kalibrierungsdatensatz auf 280 Bilder erweitert, die alle drei Beleuchtungsbedingungen zu gleichen Teilen abdecken, plus 40 Bilder von Grenzf\u00e4llen, die im urspr\u00fcnglichen Kalibrierungssatz unterrepr\u00e4sentiert waren. Au\u00dferdem haben wir eine Quantisierung mit gemischter Genauigkeit angewandt: die ersten 48 Schichten mit INT8, die letzten beiden FC-Schichten mit FP16. RKNN-Toolkit2 unterst\u00fctzt speziell f\u00fcr dieses Szenario Pr\u00e4zisions\u00fcberschreibungen pro Schicht.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Nach dem Neuaufbau des Modells stieg die Genauigkeit im Validierungssatz auf 91,7%. Die Latenzzeit auf dem Ger\u00e4t betrug 31 ms pro Frame - innerhalb des Budgets des Kunden von 40 ms f\u00fcr seine F\u00f6rdergeschwindigkeit. Das System ging sechs Tage nach dem Diagnoseaufruf in den Pilotbetrieb. In den drei Betriebsmonaten lag die Falschr\u00fcckweisungsrate bei 0,4% und damit innerhalb der vom Kunden akzeptierten Schwelle von 0,5%.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die Lektion: Die INT8-Quantisierungsgenauigkeit ist keine feste Eigenschaft Ihres Modells. Sie ist eine Funktion der Qualit\u00e4t der Kalibrierungsdaten und der Pr\u00e4zisionsentscheidungen pro Schicht. Beides ist steuerbar, und beides erfordert Fachwissen \u00fcber Ihre Pr\u00fcfumgebung, um richtig zu sein.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-824d5b1 elementor-widget elementor-widget-image\" data-id=\"824d5b1\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"534\" data-src=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection-1024x683.webp\" class=\"attachment-large size-large wp-image-10295 lazyload\" alt=\"Debugging der INT8-Quantisierungsgenauigkeit auf einem eingebetteten RK3588-Linux-System, das mit einer PCB-L\u00f6tstelleninspektionskamera in einer industriellen Laborumgebung verbunden ist\" data-srcset=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection-1024x683.webp 1024w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection-300x200.webp 300w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection-768x512.webp 768w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection-18x12.webp 18w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection.webp 1536w\" data-sizes=\"(max-width: 800px) 100vw, 800px\" src=\"data:image\/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw==\" style=\"--smush-placeholder-width: 800px; --smush-placeholder-aspect-ratio: 800\/534;\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-569410f elementor-widget elementor-widget-text-editor\" data-id=\"569410f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Projekt Fallstudie: Oberfl\u00e4cheninspektion von Automobil-Stanzteilen<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><em>RK3588 Embedded Vision Einsatz, 6-Kamera-Inspektionsstation, Automobilzulieferer Tier 1.<\/em><\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Anfang 2025 beauftragte uns ein Tier-1-Zulieferer der Automobilindustrie, eine PC-basierte Pr\u00fcfstation an einer Stanzpressenlinie durch eine eingebettete L\u00f6sung zu ersetzen. Das bestehende System bestand aus einem Desktop-PC mit Windows und einer USB3 Vision-Kamera mit propriet\u00e4rer Pr\u00fcfsoftware eines Anbieters von Bildverarbeitungssystemen. Die Probleme: Der PC musste viertelj\u00e4hrlich gewartet werden, das Windows-Betriebssystem verursachte unvorhersehbare Latenzspitzen bei Systemaktualisierungen, und die Gesamtsystemkosten pro Station waren f\u00fcr die Skalierung auf 12 zus\u00e4tzliche Pressenlinien unerschwinglich.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die Ersatzspezifikation verlangte die Erkennung von Oberfl\u00e4chenkratzern, Verformungsspuren und \u00d6lverunreinigungen 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%.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Wir haben das Ersatzsystem auf einem ieeker RK3588-Industrie-SBC mit einer 5MP-MIPI-Fl\u00e4chenkamera, einem strukturierten LED-Ringlicht mit Stroboskop-Synchronisation \u00fcber GPIO und einer Debian-Linux-Umgebung aufgebaut, auf der ein kundenspezifisches YOLOv8s-basiertes Erkennungsmodell l\u00e4uft. Das Modell wurde anhand von 8.200 beschrifteten Bildern von gestanzten Halterungsoberfl\u00e4chen trainiert, die alle drei Defekttypen sowie Negative mit sauberer Oberfl\u00e4che abdecken.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-89123a0 elementor-widget elementor-widget-image\" data-id=\"89123a0\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"534\" data-src=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station-1024x683.webp\" class=\"attachment-large size-large wp-image-10296 lazyload\" alt=\"\" data-srcset=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station-1024x683.webp 1024w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station-300x200.webp 300w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station-768x512.webp 768w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station-18x12.webp 18w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station.webp 1536w\" data-sizes=\"(max-width: 800px) 100vw, 800px\" src=\"data:image\/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw==\" style=\"--smush-placeholder-width: 800px; --smush-placeholder-aspect-ratio: 800\/534;\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-cccc360 elementor-widget elementor-widget-text-editor\" data-id=\"cccc360\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die wichtigsten Ergebnisse nach 60 Tagen Produktionsvalidierung:<\/span><\/p><div class=\"overflow-x-auto w-full px-2 mb-6\"><table class=\"min-w-full border-collapse text-sm leading-[1.7] whitespace-normal\"><thead class=\"text-left\"><tr><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Metrisch<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Ziel<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Erreicht<\/span><\/th><\/tr><\/thead><tbody><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Risserkennungsrate (\u22650,3mm)<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">100%<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">100%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Kratzer-Erkennungsrate<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">&gt;95%<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">97.3%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Falsch-positiv-Rate<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">&lt;2%<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">1.1%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Zykluszeit der Inspektion<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">&lt;2s\/Teil<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">1,4s\/Teil<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Leistungsaufnahme des Systems<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">&lt;25W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">11.8W<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Ungeplante Ausfallzeiten (60 Tage)<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">&lt;4 Stunden<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">0 Stunden<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">St\u00fccklistenkosten gegen\u00fcber PC-basiertem System<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">-<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">67% Erm\u00e4\u00dfigung<\/span><\/td><\/tr><\/tbody><\/table><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die Kostenreduzierung der 67%-St\u00fcckliste war ausschlaggebend f\u00fcr die Entscheidung des Kunden, das Projekt auf alle 13 Druckmaschinenlinien auszuweiten. Gesamtprojekt: 13 ausgelieferte Einheiten, alle mit identischen Buildroot-Images mit OTA-Update-F\u00e4higkeit \u00fcber SWUpdate. Das Wartungsteam des Kunden kann Inspektionsmodelle flottenweit aktualisieren, ohne physischen Zugang zu jeder Station.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8c5027e elementor-widget elementor-widget-text-editor\" data-id=\"8c5027e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">RK3588 im Vergleich zu konkurrierenden Plattformen f\u00fcr die industrielle Bildverarbeitung<\/h2><div class=\"overflow-x-auto w-full px-2 mb-6\"><table class=\"min-w-full border-collapse text-sm leading-[1.7] whitespace-normal\"><thead class=\"text-left\"><tr><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Plattform<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">AI-Leistung<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Vision-spezifische Merkmale<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Strom<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Kosten<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Beste Passform<\/span><\/th><\/tr><\/thead><tbody><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\"><strong>RK3588<\/strong><\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">6 TOPS NPU<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Zwei ISP, 32MP, MIPI\u00d74<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">5-13W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">$$<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Eingebettete AOI, intelligente Kamera, Multi-Kamera-Knoten<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\"><strong>Jetson Orin Nano<\/strong><\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">40 TOPS<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Einzelner ISP, CSI\u00d72<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">7-15W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">$$$$<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Komplexe Modelle, CUDA-\u00d6kosystem<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\"><strong>Hailo-8<\/strong><\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">26 TOPS<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Kein ISP (ben\u00f6tigt Host-SoC)<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">2.5-3W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">$$$$<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Bildverarbeitungsbeschleuniger mit hohem Durchsatz als Zusatzmodul<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\"><strong>NXP i.MX 8M Plus<\/strong><\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">2.3 TOPS<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Zweifacher ISP, MIPI\u00d72<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">3-5W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">$$<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">IoT-Inspektion mit geringer Komplexit\u00e4t<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\"><strong>Raspberry Pi 5<\/strong><\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Keine NPU<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Einzelnes CSI<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">5-8W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">$<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Nur Entwicklung\/Prototyping<\/span><\/td><\/tr><\/tbody><\/table><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Speziell f\u00fcr die maschinelle Bildverarbeitung bietet der RK3588 mit seinem dualen ISP und der 4\u00d74-Lane-MIPI-Konnektivit\u00e4t einen strukturellen Vorteil gegen\u00fcber Plattformen wie dem Jetson Orin Nano, der \u00fcber st\u00e4rkere KI-Rechenleistung, aber schw\u00e4chere native Kamera-Schnittstellen verf\u00fcgt. Wenn Ihr Inspektionssystem Kamerarohdaten mit hoher Aufl\u00f6sung verarbeiten muss, ist der ISP genauso wichtig wie die NPU.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.cognex.com\/\" target=\"_blank\" rel=\"noopener\">Cognex Gesellschaft<\/a> und <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.keyence.com\/\" target=\"_blank\" rel=\"noopener\">Keyence Gesellschaft<\/a> - die beiden weltweit gr\u00f6\u00dften Anbieter von Bildverarbeitungssystemen - bauen beide integrierte Smart-Kamera-L\u00f6sungen, bei denen die Verarbeitung in den Kamerakopf integriert ist. RK3588-basierte Embedded-Designs folgen der gleichen Architekturphilosophie, bieten aber Herstellern von Industriehardware die Flexibilit\u00e4t, kundenspezifische Sensoren, Geh\u00e4use und E\/A-Schnittstellen zu integrieren, die bei Smart-Kameras von der Stange nicht m\u00f6glich sind.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1072066 elementor-widget elementor-widget-text-editor\" data-id=\"1072066\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Ist die RK3588 die richtige Plattform f\u00fcr Ihre Bildverarbeitungsanwendung?<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Verwenden Sie diese Checkliste, bevor Sie sich auf die Plattform festlegen:<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>RK3588 ist eine gute Wahl, wenn:<\/strong><\/span><\/p><ul class=\"[li_&amp;]:mb-0 [li_&amp;]:mt-1 [li_&amp;]:gap-1 [&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-disc flex flex-col gap-1 pl-8 mb-3\"><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Ihre Inspektionsaufgabe verwendet CNN oder leichtgewichtige Transformer-Modelle (YOLOv5\/v8, ResNet, MobileNet, DETR-Varianten)<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 Sie ben\u00f6tigen ein einziges Ger\u00e4t f\u00fcr Bilderfassung + Auswertung + E\/A<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 Ihre Kamera verwendet die MIPI CSI-2 oder USB3 Vision Schnittstelle<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 Leistungsaufnahme unter 15 W oder passive K\u00fchlung erforderlich<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 Sie m\u00fcssen mehrere identische Einheiten mit kontrollierten St\u00fcckkosten herstellen<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Ihr Team arbeitet in Python\/C++ unter Linux<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Die geforderte Inspektionslatenz betr\u00e4gt 15 ms oder mehr pro Bild.<\/span><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-92c265d elementor-widget elementor-widget-text-editor\" data-id=\"92c265d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>Erw\u00e4gen Sie Alternativen, wenn:<\/strong><\/span><\/p><ul class=\"[li_&amp;]:mb-0 [li_&amp;]:mt-1 [li_&amp;]:gap-1 [&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-disc flex flex-col gap-1 pl-8 mb-3\"><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u26a0\ufe0f Sie ben\u00f6tigen gleichzeitige R\u00fcckschl\u00fcsse auf 12+ Kamerastr\u00f6me bei voller Aufl\u00f6sung<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u26a0\ufe0f Ihr Modell verwendet Architekturen mit vielen nicht unterst\u00fctzten NPU-Operatoren (aufmerksamkeitsstarke Transformatoren)<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u26a0\ufe0f Sie ben\u00f6tigen eine deterministische Inferenz unter 10 ms f\u00fcr Regelkreise in harter Echtzeit<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u274c Submikrometer-Messtechnik oder Halbleiterwafer-Pr\u00fcfung<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">3D-Punktwolkenverarbeitung in Echtzeit (LiDAR-Fusion)<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Die Modellkomplexit\u00e4t erfordert durchgehend FP32 (keine Quantisierungstoleranz).<\/span><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-129a6ad elementor-widget elementor-widget-text-editor\" data-id=\"129a6ad\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">IEEKER RK3588 Boards f\u00fcr Machine-Vision-Eins\u00e4tze<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die industriellen SBCs RK3588 von IEEKER sind f\u00fcr den Einsatz in der industriellen Bildverarbeitung vorvalidiert und unterst\u00fctzen unter anderem BSPs:<\/span><\/p><ul class=\"[li_&amp;]:mb-0 [li_&amp;]:mt-1 [li_&amp;]:gap-1 [&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-disc flex flex-col gap-1 pl-8 mb-3\"><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Optimierte V4L2 MIPI CSI-2 Kameratreiber (getestet mit Sony IMX415, IMX577, OV13850 Sensoren)<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">RKNN-Toolkit2 Laufzeitumgebung vorinstalliert auf Debian 12 und Ubuntu 22.04 Images<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">GPIO-Strobe-Synchronisationsschnittstelle f\u00fcr LED-Ringlichtsteuerung<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Leitf\u00e4den zur Integration von Modbus TCP- und OPC-UA-Bibliotheken f\u00fcr die Anbindung von Fabriksystemen<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Hardware-H.265-Kodierung f\u00fcr die Archivierung von Pr\u00fcfvideos ohne CPU-Overhead<\/span><\/li><\/ul><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">F\u00fcr die Entwicklung kundenspezifischer Bildverarbeitungssysteme - Sensorauswahl, Geh\u00e4useintegration, kundenspezifisches Tr\u00e4gerplatinenlayout f\u00fcr spezifische Kameraschnittstellen - bietet unser <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/ieeker.com\/de\/custom-development-board-design-guide\/\" target=\"_blank\" rel=\"noopener\">kundenspezifischer Entwicklungsboard-Designservice<\/a> deckt Hardware- und BSP-Einf\u00fchrung von Anfang bis Ende ab.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Wenn Sie die RK3588 f\u00fcr eine bestimmte Inspektionsanwendung evaluieren m\u00f6chten, lesen Sie unsere <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/ieeker.com\/de\/rk3588-npu-performance-6-tops-edge-ai\/\" target=\"_blank\" rel=\"noopener\">RK3588 NPU Leistungs\u00fcbersicht<\/a> f\u00fcr detaillierte Benchmark-Daten und Informationen zur Modellkompatibilit\u00e4t, oder <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/ieeker.com\/de\/contact-us\/\" target=\"_blank\" rel=\"noopener\">Kontakt zu unserem Ingenieurteam<\/a> um Ihren Anwendungsfall zu besprechen.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fbda698 elementor-widget elementor-widget-heading\" data-id=\"fbda698\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\">FAQ<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-785654f elementor-widget elementor-widget-n-accordion\" data-id=\"785654f\" data-element_type=\"widget\" data-settings=\"{&quot;default_state&quot;:&quot;expanded&quot;,&quot;max_items_expended&quot;:&quot;one&quot;,&quot;n_accordion_animation_duration&quot;:{&quot;unit&quot;:&quot;ms&quot;,&quot;size&quot;:400,&quot;sizes&quot;:[]}}\" data-widget_type=\"nested-accordion.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"e-n-accordion\" aria-label=\"Akkordeon. \u00d6ffnen Sie Links mit Enter oder Space, schlie\u00dfen Sie sie mit Escape und navigieren Sie mit den Pfeiltasten.\">\n\t\t\t\t\t\t<details id=\"e-n-accordion-item-1260\" class=\"e-n-accordion-item\" open>\n\t\t\t\t<summary class=\"e-n-accordion-item-title\" data-accordion-index=\"1\" tabindex=\"0\" aria-expanded=\"true\" aria-controls=\"e-n-accordion-item-1260\" >\n\t\t\t\t\t<span class='e-n-accordion-item-title-header'><div class=\"e-n-accordion-item-title-text\"> Kann die RK3588 Zeilenkameras f\u00fcr die kontinuierliche Bahnbeobachtung einsetzen? <\/div><\/span>\n\t\t\t\t\t\t\t<span class='e-n-accordion-item-title-icon'>\n\t\t\t<span class='e-opened' ><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-minus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h384c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t\t<span class='e-closed'><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-plus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H272V64c0-17.67-14.33-32-32-32h-32c-17.67 0-32 14.33-32 32v144H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h144v144c0 17.67 14.33 32 32 32h32c17.67 0 32-14.33 32-32V304h144c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t<div role=\"region\" aria-labelledby=\"e-n-accordion-item-1260\" class=\"elementor-element elementor-element-3f9a88c e-con-full e-flex e-con e-child\" data-id=\"3f9a88c\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-c5b2108 elementor-widget elementor-widget-text-editor\" data-id=\"c5b2108\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\">Zeilenkameras verwenden in der Regel Camera Link- oder CoaXPress-Schnittstellen, die \u00fcber PCIe angeschlossene Framegrabber erfordern. Die PCIe 3.0-Schnittstelle der RK3588 kann kompatible Framegrabber aufnehmen, aber die BSP-Unterst\u00fctzung f\u00fcr bestimmte Framegrabberkarten muss validiert werden. F\u00fcr Bahninspektionsanwendungen (Film, Stoff, Papier) sollten Sie sich mit uns in Verbindung setzen, um die Schnittstellenkompatibilit\u00e4t zu besprechen, bevor Sie sich festlegen.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t\t<details id=\"e-n-accordion-item-1261\" class=\"e-n-accordion-item\" >\n\t\t\t\t<summary class=\"e-n-accordion-item-title\" data-accordion-index=\"2\" tabindex=\"-1\" aria-expanded=\"false\" aria-controls=\"e-n-accordion-item-1261\" >\n\t\t\t\t\t<span class='e-n-accordion-item-title-header'><div class=\"e-n-accordion-item-title-text\"> Wie hoch ist die maximale Bildaufl\u00f6sung, die die RK3588 f\u00fcr die Pr\u00fcfung verarbeiten kann? <\/div><\/span>\n\t\t\t\t\t\t\t<span class='e-n-accordion-item-title-icon'>\n\t\t\t<span class='e-opened' ><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-minus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h384c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t\t<span class='e-closed'><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-plus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H272V64c0-17.67-14.33-32-32-32h-32c-17.67 0-32 14.33-32 32v144H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h144v144c0 17.67 14.33 32 32 32h32c17.67 0 32-14.33 32-32V304h144c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t<div role=\"region\" aria-labelledby=\"e-n-accordion-item-1261\" class=\"elementor-element elementor-element-ccb380a e-con-full e-flex e-con e-child\" data-id=\"ccb380a\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-aec7f2d elementor-widget elementor-widget-text-editor\" data-id=\"aec7f2d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\">Die ISP unterst\u00fctzt Sensoren mit bis zu 32 MP. Die praktische Pr\u00fcfaufl\u00f6sung h\u00e4ngt 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 Pr\u00fcfzyklen beherrschbar.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t\t<details id=\"e-n-accordion-item-1262\" class=\"e-n-accordion-item\" >\n\t\t\t\t<summary class=\"e-n-accordion-item-title\" data-accordion-index=\"3\" tabindex=\"-1\" aria-expanded=\"false\" aria-controls=\"e-n-accordion-item-1262\" >\n\t\t\t\t\t<span class='e-n-accordion-item-title-header'><div class=\"e-n-accordion-item-title-text\"> Unterst\u00fctzt RKNN-Toolkit2 Modelle zur Erkennung von Anomalien (nicht nur \u00fcberwachte Erkennung)? <\/div><\/span>\n\t\t\t\t\t\t\t<span class='e-n-accordion-item-title-icon'>\n\t\t\t<span class='e-opened' ><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-minus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h384c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t\t<span class='e-closed'><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-plus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H272V64c0-17.67-14.33-32-32-32h-32c-17.67 0-32 14.33-32 32v144H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h144v144c0 17.67 14.33 32 32 32h32c17.67 0 32-14.33 32-32V304h144c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t<div role=\"region\" aria-labelledby=\"e-n-accordion-item-1262\" class=\"elementor-element elementor-element-e268e6c e-con-full e-flex e-con e-child\" data-id=\"e268e6c\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-6d356fe elementor-widget elementor-widget-text-editor\" data-id=\"6d356fe\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\">Ja. Un\u00fcberwachte Anomalieerkennungsans\u00e4tze, die auf Merkmalsextraktion (PatchCore, FastFlow) basieren, k\u00f6nnen auf dem RK3588 eingesetzt werden, indem das Merkmalsextraktions-Backbone (ResNet, EfficientNet) auf der NPU und der Anomaliebewertungsschritt auf der CPU ausgef\u00fchrt wird. Die vollst\u00e4ndige, un\u00fcberwachte End-to-End-Modellbereitstellung ist komplexer als die Standarderkennung, aber mit einer benutzerdefinierten RKNN-Operator-Implementierung machbar.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t\t<details id=\"e-n-accordion-item-1263\" class=\"e-n-accordion-item\" >\n\t\t\t\t<summary class=\"e-n-accordion-item-title\" data-accordion-index=\"4\" tabindex=\"-1\" aria-expanded=\"false\" aria-controls=\"e-n-accordion-item-1263\" >\n\t\t\t\t\t<span class='e-n-accordion-item-title-header'><div class=\"e-n-accordion-item-title-text\"> Wie verh\u00e4lt sich die RK3588 zur Temperaturstabilit\u00e4t in geschlossenen Industriegeh\u00e4usen? <\/div><\/span>\n\t\t\t\t\t\t\t<span class='e-n-accordion-item-title-icon'>\n\t\t\t<span class='e-opened' ><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-minus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h384c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t\t<span class='e-closed'><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-plus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H272V64c0-17.67-14.33-32-32-32h-32c-17.67 0-32 14.33-32 32v144H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h144v144c0 17.67 14.33 32 32 32h32c17.67 0 32-14.33 32-32V304h144c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t<div role=\"region\" aria-labelledby=\"e-n-accordion-item-1263\" class=\"elementor-element elementor-element-92bd9fc e-con-full e-flex e-con e-child\" data-id=\"92bd9fc\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-59929a1 elementor-widget elementor-widget-text-editor\" data-id=\"59929a1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\">Der RK3588 wird in einem 8nm-Prozess gefertigt und hat eine typische Leistungsaufnahme von 5-13 W unter NPU-Last. In einem ordnungsgem\u00e4\u00df konstruierten passiven Aluminiumgeh\u00e4use mit thermischem Schnittstellenmaterial zwischen SoC und Geh\u00e4usewand ist ein dauerhafter Betrieb bei Umgebungstemperaturen von bis zu 55 \u00b0C ohne Drosselung m\u00f6glich. ieekers industrielle SBC-Designs sind f\u00fcr dieses thermische Profil validiert.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-69f85bc elementor-widget elementor-widget-text-editor\" data-id=\"69f85bc\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Schlussfolgerung<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die Verlagerung der maschinellen Bildverarbeitung von der zentralisierten PC-basierten Verarbeitung hin zur eingebetteten Edge-Implementierung beschleunigt sich. <a href=\"https:\/\/www.futuremarketinsights.com\/reports\/ai-industrial-defect-detection-market\" target=\"_blank\" rel=\"noopener\">Der KI-Markt f\u00fcr industrielle Fehlererkennung wird voraussichtlich von 2,66 Mrd. USD im Jahr 2025 auf 4,02 Mrd. USD im Jahr 2030 anwachsen.<\/a>wobei Deep Learning-basierte Ans\u00e4tze dominieren. F\u00fcr Hersteller, die die eingebettete Rechenplattform f\u00fcr diese Systeme bauen oder beschaffen, nimmt die RK3588 eine klar definierte und vertretbare Position ein: ausreichend NPU-Leistung f\u00fcr Inspektionsaufgaben in Produktionsqualit\u00e4t, vollst\u00e4ndige SoC-Integration einschlie\u00dflich ISP und industrieller E\/A sowie ein Energie-\/Kostenprofil, das den Einsatz im Flottenma\u00dfstab wirtschaftlich sinnvoll macht.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Die Plattform ist nicht die L\u00f6sung f\u00fcr jedes Pr\u00fcfproblem. Submikrometer-Messtechnik, 16+ gleichzeitige Kamerastr\u00f6me und harte Echtzeit-Steuerschleifen erfordern unterschiedliche Architekturen. Aber f\u00fcr das breite Mittelfeld der industriellen Bildverarbeitung - Oberfl\u00e4cheninspektion, Komponentenerkennung, AOI, Dimensionspr\u00fcfung - ist die RK3588 eine Plattform, die eine ernsthafte technische Bewertung wert ist.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Erkunden Sie ieeker's <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/ieeker.com\/de\/rk3588-embedded-sbc-board\/\" target=\"_blank\" rel=\"noopener\">RK3588 eingebettete SBC-Baureihe<\/a> oder lesen Sie unser <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/ieeker.com\/de\/embedded-linux-board-industrial-sbc-guide\/\" target=\"_blank\" rel=\"noopener\">Vollst\u00e4ndiger Leitfaden f\u00fcr Embedded Linux-Boards<\/a> f\u00fcr einen breiteren Plattformkontext.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-253eb4d elementor-widget elementor-widget-text-editor\" data-id=\"253eb4d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><em>Quellen und Referenzen:<\/em><\/span><\/p><ul class=\"[li_&amp;]:mb-0 [li_&amp;]:mt-1 [li_&amp;]:gap-1 [&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-disc flex flex-col gap-1 pl-8 mb-3\"><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.marketsandmarkets.com\/Market-Reports\/industrial-machine-vision-market-234246734.html\" target=\"_blank\" rel=\"noopener\">Gr\u00f6\u00dfe und Anteil des Marktes f\u00fcr industrielle Bildverarbeitung 2025-2030 - MarketsandMarkets<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.futuremarketinsights.com\/reports\/ai-industrial-defect-detection-market\" target=\"_blank\" rel=\"noopener\">KI-Markt f\u00fcr industrielle Defekterkennung 2025-2035 - Future Market Insights<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/nyaspubs.onlinelibrary.wiley.com\/doi\/10.1111\/nyas.70156?af=R\" target=\"_blank\" rel=\"noopener\">SMF-DETR: Erkennung von Lagerfehlern bei RK3588 - Annals of the New York Academy of Sciences (2025)<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.nature.com\/articles\/s41598-025-16043-z\" target=\"_blank\" rel=\"noopener\">Echtzeit-Drahtseildetektion auf RK3588 - Wissenschaftliche Berichte (2025)<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S259012302502506X\" target=\"_blank\" rel=\"noopener\">PCB-Oberfl\u00e4chen-Defekt-Erkennung - ScienceDirect (2025)<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/tinycomputers.io\/posts\/rockchip-rk3588-npu-benchmarks.html\" target=\"_blank\" rel=\"noopener\">RK3588 NPU-Benchmarks - TinyComputers.io (2025)<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.globalgrowthinsights.com\/market-reports\/industrial-production-machine-vision-system-market-116855\" target=\"_blank\" rel=\"noopener\">Industrieller Bildverarbeitungsmarkt 2025 - Global Growth Insights<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/en.wikipedia.org\/wiki\/Automated_optical_inspection\" target=\"_blank\" rel=\"noopener\">Automatisierte optische Inspektion - Wikipedia<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/github.com\/rockchip-linux\/rknn-toolkit2\" target=\"_blank\" rel=\"noopener\">RKNN-Toolkit2 - Rockchip GitHub<\/a><\/span><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"<p>Die RK3588 ist eine bew\u00e4hrte Plattform f\u00fcr die industrielle Bildverarbeitung und Fehlererkennung - mit YOLOv5s bei 54+ FPS und leichten Erkennungstransformatoren bei 58 FPS auf dem Ger\u00e4t, mit einer 6 TOPS NPU, die INT8-Inferenz bei 5-6W verarbeitet. Er eignet sich f\u00fcr Single-Line-AOI, Multi-Kamera-Inspektionsknoten und eingebettete Smart-Kamera-Anwendungen, bei denen Kosten, Leistung und Formfaktor eine Rolle spielen. F\u00fcr die Halbleitermetrologie im Submikronbereich oder gleichzeitige 32-Kamera-Streams ist ein dedizierter Beschleuniger der bessere Weg.<\/p>","protected":false},"author":2,"featured_media":10292,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-10289","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v26.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>RK3588 Machine Vision &amp; Defect Detection: Industrial AI Guide 2026<\/title>\n<meta name=\"description\" content=\"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ieeker.com\/de\/rk3588-machine-vision-defect-detection\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"RK3588 Machine Vision &amp; Defect Detection: Industrial AI Guide 2026\" \/>\n<meta property=\"og:description\" content=\"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ieeker.com\/de\/rk3588-machine-vision-defect-detection\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-05-19T09:25:29+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-05-19T09:31:29+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp\" \/>\n\t<meta property=\"og:image:width\" content=\"1536\" \/>\n\t<meta property=\"og:image:height\" content=\"1024\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/webp\" \/>\n<meta name=\"author\" content=\"Ieeker\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ieeker\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"20\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/\"},\"author\":{\"name\":\"Ieeker\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb\"},\"headline\":\"RK3588 for Machine Vision &#038; Industrial Defect Detection: A Complete Engineering Guide\",\"datePublished\":\"2026-05-19T09:25:29+00:00\",\"dateModified\":\"2026-05-19T09:31:29+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/\"},\"wordCount\":3413,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/ieeker.com\/#organization\"},\"image\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp\",\"articleSection\":[\"News\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/\",\"url\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/\",\"name\":\"RK3588 Machine Vision & Defect Detection: Industrial AI Guide 2026\",\"isPartOf\":{\"@id\":\"https:\/\/ieeker.com\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp\",\"datePublished\":\"2026-05-19T09:25:29+00:00\",\"dateModified\":\"2026-05-19T09:31:29+00:00\",\"description\":\"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.\",\"breadcrumb\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage\",\"url\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp\",\"contentUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp\",\"width\":1536,\"height\":1024,\"caption\":\"RK3588 industrial SBC connected to machine vision camera inspecting PCB components on a manufacturing line for defect detection\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/ieeker.com\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"RK3588 for Machine Vision &#038; Industrial Defect Detection: A Complete Engineering Guide\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/ieeker.com\/#website\",\"url\":\"https:\/\/ieeker.com\/\",\"name\":\"ieeker.com\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/ieeker.com\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/ieeker.com\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/ieeker.com\/#organization\",\"name\":\"ieeker\",\"url\":\"https:\/\/ieeker.com\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp\",\"contentUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp\",\"width\":2160,\"height\":388,\"caption\":\"ieeker\"},\"image\":{\"@id\":\"https:\/\/ieeker.com\/#\/schema\/logo\/image\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb\",\"name\":\"Ieeker\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1784113146\",\"contentUrl\":\"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1784113146\",\"caption\":\"Ieeker\"},\"sameAs\":[\"http:\/\/www.ieeker.com\"],\"url\":\"https:\/\/ieeker.com\/de\/author\/ieeker\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"RK3588 Machine Vision & Defect Detection: Industrial AI Guide 2026","description":"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ieeker.com\/de\/rk3588-machine-vision-defect-detection\/","og_locale":"de_DE","og_type":"article","og_title":"RK3588 Machine Vision & Defect Detection: Industrial AI Guide 2026","og_description":"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.","og_url":"https:\/\/ieeker.com\/de\/rk3588-machine-vision-defect-detection\/","article_published_time":"2026-05-19T09:25:29+00:00","article_modified_time":"2026-05-19T09:31:29+00:00","og_image":[{"width":1536,"height":1024,"url":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp","type":"image\/webp"}],"author":"Ieeker","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Ieeker","Est. reading time":"20\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#article","isPartOf":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/"},"author":{"name":"Ieeker","@id":"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb"},"headline":"RK3588 for Machine Vision &#038; Industrial Defect Detection: A Complete Engineering Guide","datePublished":"2026-05-19T09:25:29+00:00","dateModified":"2026-05-19T09:31:29+00:00","mainEntityOfPage":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/"},"wordCount":3413,"commentCount":0,"publisher":{"@id":"https:\/\/ieeker.com\/#organization"},"image":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage"},"thumbnailUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp","articleSection":["News"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/","url":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/","name":"RK3588 Machine Vision & Defect Detection: Industrial AI Guide 2026","isPartOf":{"@id":"https:\/\/ieeker.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage"},"image":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage"},"thumbnailUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp","datePublished":"2026-05-19T09:25:29+00:00","dateModified":"2026-05-19T09:31:29+00:00","description":"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.","breadcrumb":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage","url":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp","contentUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp","width":1536,"height":1024,"caption":"RK3588 industrial SBC connected to machine vision camera inspecting PCB components on a manufacturing line for defect detection"},{"@type":"BreadcrumbList","@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/ieeker.com\/"},{"@type":"ListItem","position":2,"name":"RK3588 for Machine Vision &#038; Industrial Defect Detection: A Complete Engineering Guide"}]},{"@type":"WebSite","@id":"https:\/\/ieeker.com\/#website","url":"https:\/\/ieeker.com\/","name":"ieeker.com","description":"","publisher":{"@id":"https:\/\/ieeker.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ieeker.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/ieeker.com\/#organization","name":"ieeker","url":"https:\/\/ieeker.com\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/ieeker.com\/#\/schema\/logo\/image\/","url":"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp","contentUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp","width":2160,"height":388,"caption":"ieeker"},"image":{"@id":"https:\/\/ieeker.com\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb","name":"Ieeker","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/ieeker.com\/#\/schema\/person\/image\/","url":"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1784113146","contentUrl":"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1784113146","caption":"Ieeker"},"sameAs":["http:\/\/www.ieeker.com"],"url":"https:\/\/ieeker.com\/de\/author\/ieeker\/"}]}},"_links":{"self":[{"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/posts\/10289","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/comments?post=10289"}],"version-history":[{"count":5,"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/posts\/10289\/revisions"}],"predecessor-version":[{"id":10299,"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/posts\/10289\/revisions\/10299"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/media\/10292"}],"wp:attachment":[{"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/media?parent=10289"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/categories?post=10289"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ieeker.com\/de\/wp-json\/wp\/v2\/tags?post=10289"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}