Detlef Heinze, Make: Magazin, Heft 4/2023, 27.07.2023, S.82
Ein Raspberry Pi überwacht mit einer Kamera Gleise und meldet, wenn Loks auf falschen Schienen fahren oder überfällig sind. In diesem Teil zeigen wir, wie man das Neuronale Netz mit Google Colab modelliert, mit den in Teil 1 bearbeiteten Bildern trainiert und exportiert.
Link zum Artikel bei der Zeitschrift "Make"
Detlef Heinze, Make: Magazin, Heft 3/2023, 01.06.2023, S.60-65
Ein Raspberry Pi überwacht mit einer Kamera und einem neuronalen Netz, ob Objekte am richtigen Platz sind. Prinzipiell kann man das für die Kontrolle von Parkplätzen oder den Inhalt von Lagerregalen benutzen. Hier demonstrieren wir eine Gleisüberwachung, die meldet, wenn Loks auf falschen Schienen fahren oder überfällig sind. Wie man dafür ein neuronales Netz modelliert und trainiert, zeigt unser Artikel.
Link zum Artikel bei der Zeitschrift "Make"
GitHub-Repository zum Artikel
Pfadplanung für Roboter
Detlef Heinze, Make: Magazin, Heft 1/2021, 11.02.2021, S.78-84
Autonome Roboter bewegen sich ohne menschliche Eingriffe durch Industriehallen auf der Erde und auf der Oberfläche entfernter Planeten. Ein Pfadplanungs-Algorithmus berechnet dabei den kürzesten Fahrweg zum gewünschten Ziel. Wir zeigen als Beispiel, wie ein Lego-EV3-Roboter so programmiert wird, dass er Milchreis auf einer Terrasse serviert. Wer keinen Roboter hat, kann mit unserer Simulationssoftware trotzdem eigene Experimente durchführen. Die Implementierung erfolgte mit Python und einem Raspberry Pi, der den Lego-EV3-Roboter steuert.
Link zum Artikel bei der Zeitschrift "Make"
Detlef Heinze, Make: Sonderheft Robotik, 14.11.2019, S.106-111
Objekterkennung mit einem Raspberry Pi ist eine Geduldsprobe und für die Robotersteuerung nur eingeschränkt zu gebrauchen. Mit der Unterstützung durch eine Edge TPU inklusive neuronalem Netz wird der Raspi jedoch erheblich fixer – schnell genug, um einem Lego-Roboter das Sortieren von Gegenständen beizubringen.
Link zum Artikel bei der Zeitschrift "Make"
Detlef Heinze, Make: Magazin, Heft 3/2019, 20.06.2019, S.58-62
Mit einem speziellen USB-Stick wird Objekterkennung in Echtzeit mit neuronalen Netzen auf dem Raspberry Pi zur Realität – ganz ohne eine Verbindung in die Cloud zu Google oder Amazon.
Link zum Artikel bei der Zeitschrift "Make"
Detlef Heinze, Make: Magazin, Heft 6/2018, 13.12.2018, S.48-54
Künstliche Intelligenz und maschinelles Lernen kommen immer mehr in der Praxis zum Einsatz. Davon motiviert bauen wir einen Lego-Mindstorms EV3 Roboter, den ein Benutzer mit sieben Gesten steuern kann. Wir realisieren die Gestenerkennung mit einem neuronales Netz, trainieren es auf dem PC und bauen es in den Roboter ein. Das neuronale Netz wird mit Keras auf Basis von TensorFlow mit der Programmiersprache Python realisiert und trainiert.
Link zur Artikelseite bei de Zeitschrift "Make"
Detlef Heinze, c't wissen 2018 "Python-Projekte", 19.3.2018, S.100-107
Detlef Heinze c't "Spaß mit Technik", 19.6.2018, S. 20-26
Erneute Veröffentlichungen des nachfolgenden Artikels mit redaktionellen Änderungen in den Sonderheften "c't wissen" und c't "Spaß mit Technik".
Detlef Heinze, c't Heft 22, 14.10.2017, S.168-173
Bläst man die Cloud von der KI, gibt das den Blick darauf frei, dass neuronale Netze ganz einfache Algorithmen sind. Kompliziert werden erst große Netze mit vielen Schichten. Deswegen haben wir mit Lego-Mindstorms ein Beispiel mit nur neun Neuronen gebaut. Das zeigt im Kleinen alles, was man für große neuronale Netze verstehen muss. Bei der Realisierung des Beispiels kommt Python und TensorFlow zum Einsatz.
Link zur Artikelseite bei der c't
Github-Repository des Artikels
Detlef Heinze, ObjektSpektrum Nov./Dez. 2009
Mehrkern-Prozessoren fordern Anwendungsentwickler heraus: Sequenziell entworfene und programmierte Anwendungen können nicht mehr automatisch große Teile des Leistungszuwachses nutzen, der durch mehrere Prozessorkerne zur Verfügung steht. Das nahezu kostenlose Geschenk der steigenden Taktraten von Einkern-Prozessoren wird es in absehbarer Zukunft so nicht mehr geben. Bei der Entwicklung von neuen leistungshungrigen Anwendungen kann die sequenzielle Programmierung in eine Sackgasse führen. Ein Ausweg stellt der Entwurf paralleler Algorithmen dar. Dieser Artikel gibt einen Einstieg in das Thema.