AMD: Duale Prozessorkonzepte für die BV
Genug Rechenleistung dank Accelerated Processing Unit
Fortsetzung des Artikels von Teil 1
Technische Umsetzung in der Praxis
Das Unternehmen Qtechnology aus Dänemark beschäftigt sich mit genau diesem Anwendungsfeld und entwickelt intelligente Kameras zur Klassifizierung von Obst und Gemüse. Die Geräte sind in der Lage, bis zu 25 Tonnen pro Stunde, also mehr als 250.000 Produkte, anhand von etwa 500.000 Bildern zu analysieren. Bei einer durchschnittlichen Dateigröße von 6,2 MByte pro Bild erfordert diese Analyse die Auswertung von mehr als 2,5 TByte an Bilddaten pro Stunde und Maschine – eine riesige Menge an Informationen, die es zu verarbeiten gilt. Dieses Datenvolumen mit einer singulären Gigabit-Ethernet-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 Smart Cameras. 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. Der Kopf für Hyperspectral Imaging 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 Hyperspectral Imaging kann die Lebensmittelindustrie weitere chemische und biologische Faktoren berücksichtigen. Hierzu zählen beispielsweise die Berechnung des Zucker-, Fett-, Feuchtigkeits- und Bakteriengehalts in Produkten.
Beim Hyperspectral Imaging werden aus jedem Pixel dreidimensionale, würfelförmige Bilder erzeugt, die sowohl räumliche als auch spektrale Informationen enthalten. Je mehr spektrale Charakteristiken eines Bildes bekannt werden, desto besser lassen sich Attribute unterscheiden und klassifizieren. Die würfelförmigen Bilder geben außerdem Auskunft über die Intensität jedes Pixels (also des reflektierten oder ausgesendeten Lichts) für alle Lichtwellenlängen. Jedes Bild liefert für sich eine große Menge an Informationen. Um qualitativ und quantitativ hochwertige Produktbewertungen in Echtzeit zu generieren, bedarf es leistungsstarker Computer. Die Anforderungen an die Rechenleistung wachsen exponentiell.
- Genug Rechenleistung dank Accelerated Processing Unit
- Technische Umsetzung in der Praxis
- Heterogene Rechenleistung kommt zum Einsatz
Lesen Sie mehr zum Thema
