Duale Prozessorkonzepte

Duale Prozessorkonzepte

APU-Systeme für Hyperspectral Imaging Anwendungen

Bildverarbeitungssysteme, ob für industrielle oder nicht-industrielle Anwendungen, benötigen immer mehr Rechenleistung. Um den Anforderungen gerecht zu werden, bietet sich die Kombination von CPU (Central Processing Unit) und GPU (Graphics Processing Unit) in ein und demselben Die an – als APU (Accelerated Processing Unit), wie sie z.B. AMD produziert. Ein weiterer Schritt wäre, die APU mit einem austauschbaren Grafikkarten-Modul zu kombinieren.

Bild 1: Ein APU (Accelerated Processing Unit) auf einem entsprechenden Embedded-Board, ist eine Kombination von CPU und GPU in ein und demselben. (Bild: AMD Advanced Micro Devices GmbH)

Bild 1: Ein APU (Accelerated Processing Unit) auf einem entsprechenden Embedded-Board, ist eine Kombination von CPU und GPU in ein und demselben. (Bild: AMD Advanced Micro Devices GmbH)

Durch die immer höhere Auflösung der Bildverarbeitungssysteme steigt zugleich auch deren Detailgenauigkeit. Bei der Bildauswertung werden deshalb mehr Details sichtbar, die sich analysieren lassen. Immer kleinere Teilmengen visueller Informationen werden so mit einer Master-Vorlage abgleichbar. Allerdings müssen die Systemprozessoren leistungsstärker werden, um die Daten in Echtzeit zu identifizieren, zu strukturieren und einzuordnen. Sie sind die Basis, um fundierte Entscheidungen über nächste Prozessschritte (z.B. Pass/Fail-Auswertungen, Hold-Modus oder Neustart) zu fällen.

Klassifizierung von Obst und Gemüse

Am Beispiel der Einstufung von Gemüse in Güteklassen wird die Herausforderung deutlich. Bei der Bewertung der Produktqualität lässt sich die Entscheidung über passieren lassen oder aussortieren nicht mehr eindeutig treffen: Die Produktstandards unterscheiden sich von Land zu Land, und je nach Jahreszeit variiert die Qualität des Gemüses. Um den Ausschuss für den Produzenten möglichst gering und dabei die Qualität für den Kunden möglichst hoch zu halten, sind optimierte Algorithmen nötig. Für eine Qualitätseinstufung dieser Art ist das menschliche Auge und Gehirn nicht ausgelegt. Das Unternehmen Qtechnology beschäftigt sich mit diesem Anwendungsfeld und entwickelt intelligente Kameras zur Klassifizierung von Obst und Gemüse. Die Geräte sind in der Lage, bis zu 25t/h, also mehr als 250.000 Produkte, anhand von etwa 500.000 Bildern zu analysieren. Bei einer durchschnittlichen Dateigröße von 6,2MB/Bild erfordert diese Analyse die Auswertung von mehr als 2,5TByte an Bilddaten pro Stunde und Maschine – eine riesige Menge an Informationen, die es zu verarbeiten gilt. Das Datenvolumen mit einer singulären GigE-Verbindung zu bewältigen, würde allein mehr als sechs Stunden an Datentransferzeit benötigen. Um dieses Problem mit einfachen Algorithmen zu lösen, müssten mehrere Produktionsetappen, eine höhere Anzahl von Kameras und eine größere Produktionsfläche in den Fabriken zum Einsatz kommen. Die Alternative besteht darin, die höchstmögliche Prozessorleistung zu nutzen – entweder als zentrale Verarbeitungseinheit über eine leistungsstarke Breitbandverbindung oder als dezentrale Verarbeitungssysteme mit intelligenten Kameras. Daten würden so in Echtzeit direkt in der Kamera verarbeitet und nur noch die Endergebnisse an das finale mechanische Bewertungssystem kommuniziert. Doch wie sieht die technische Umsetzung dieser Konzepte in der Praxis aus? Um unterschiedliche Bilderkennungstechniken nutzen zu können, setzt Qtechnology in seinen Kameras austauschbare Köpfe mit mehreren Sensor-Arrays ein. Ein Hyperspectral Imaging (HSI) Kopf ermöglicht beispielsweise den zerstörungsfreien Nachweis von Lebensmittelqualität und -sicherheit. Herkömmliche Sichtungssysteme bestimmen Lebensmittelqualität und -sicherheit rein durch externe physische Attribute wie Konsistenz und Farbe. Dank HSI kann die Lebensmittelindustrie weitere chemische und biologische Faktoren berücksichtigen. Hierzu zählen beispielsweise die Berechnung des Zucker-, Fett-, Feuchtigkeits- und Bakteriengehalts in Produkten. Um qualitativ und quantitativ hochwertige Produktbewertungen in Echtzeit zu generieren, bedarf es leistungsstarker Computer. Die Anforderungen an die Rechenleistung wachsen dabei exponentiell.

Heterogene Rechenleistung

Bild 2: Mit den intelligenten Kameras von Qtechnology lässt sich Obst und Gemüse klassifizieren. Die Kamera kann mit unterschiedlichen Kameraköpfen ausgestattet werden, u.a. für Hyperspectral Imaging. (Bild: AMD Advanced Micro Devices GmbH)

Bild 2: Mit den intelligenten Kameras von Qtechnology lässt sich Obst und Gemüse klassifizieren. Die Kamera kann mit unterschiedlichen Kameraköpfen ausgestattet werden, u.a. für Hyperspectral Imaging. (Bild: AMD Advanced Micro Devices GmbH)

Um den Anforderungen heute und in Zukunft gerecht zu werden, sind leistungsfähige und skalierbare Prozessoren erforderlich. Qtechnology nutzt in seinen Kameras eine APU, die CPU und GPU auf demselben Die kombiniert. Das System kann folglich das aufwändige Verarbeiten von Pixel-Daten in der Anwendung an die GPU auslagern – und zwar ohne dass es zu langen Wartezeiten beim Datentransfer zwischen den Prozessorkomponenten kommt. Dies führt wiederum dazu, dass die CPU Interrupts mit kürzerer Latenzzeit bearbeiten kann, was letztlich die Echtzeit-Leistung des gesamten Systems verbessert und so die steigenden Anforderungen heutiger Bildverarbeitungssysteme erfüllt. Das Herzstück des heterogenen Computings ist das Pairing verschiedener Processing Engines auf einem Die. Auf diese Weise lässt sich die optimale Rechenleistung bereitstellen. Die HSA Foundation (Heterogeneous System Architecture) wurde 2012 eigens gegründet, um die Branche bei der Definition offener Spezifikationen für Prozessoren und Systeme zu unterstützen. Dadurch lassen sich bestehende Prozessorelemente verbessern und die Rechenleistung entsprechend steigern. Der Grafikprozessor, die GPU, ist eine massiv-parallele Recheneinheit, die viele verschiedene Befehle für große Datensätze (in diesem Fall Pixel) gleichzeitig ausführen kann. Genau deshalb sind 3D-Spiele auf Spielekonsolen oder dem PC reibungslos darstellbar. Gleichzeitig ist die GPU genau das, was für Machine Vision erforderlich ist. Wird die APU mit einer externen, diskreten GPU in einem Mobile PCI Express Module (MXM) kombiniert, einem austauschbaren Grafikkarten-Modul, bietet das Ergebnis eine höhere Prozessorleistung. Bei Bedarf können auch noch aufwändigere Bildverarbeitungsaufgaben erledigt werden. Software ist ein entscheidender Faktor in dieser Gleichung. Dank der HSA lässt sich die gesamte Abwicklungsplattform über einen Standard-Linux-Kernel steuern. Für die Entwicklung neuer Betriebssystem-Kernels ist dadurch weniger Support erforderlich. Das Yocto Project, ein Open-Source-Projekt, bietet Vorlagen, Werkzeuge und Methoden für die Entwicklung individueller, Linux-basierter Systeme für Embedded-Produkte. Der für das umfangreiche x86-Ecosystem verfügbare Support ermöglicht Unternehmen, Open-Source-Software und Fremdbildverarbeitungs-Bibliotheken wie OpenCV, Matlab und Halcon zu nutzen. Fehlerbeseitigungs-Tools, Wartezeitanalysen und die Profilerstellung mit Linux-Tools wie perf oder ftrace sind ebenfalls verfügbar.

"GPU ist genau das, was für Machine Vision erforderlich ist." (Bild: AMD Advanced Micro Devices GmbH)

„GPU ist genau das, was für Machine Vision erforderlich ist.“ – Stephen Turnbull, AMD Embedded Solutions (Bild: AMD Advanced Micro Devices GmbH)

Themen:

| Fachartikel

Ausgabe:

inVISION 6 2016
AMD Advanced Micro Devices GmbH

Das könnte Sie auch Interessieren