AMD: Duale Prozessorkonzepte für die BV Genug Rechenleistung dank Accelerated Processing Unit

Mit den intelligenten Kameras von Qtechnology lassen sich Obst und Gemüse klassifizieren. Der Anwender kann sie mit unterschiedlichen Kameraköpfen ausstatten, unter anderem für Hyperspectral Imaging.

Bildverarbeitungssysteme, ob für industrielle oder für nicht-industrielle Anwendungen, benötigen immer mehr Rechenleistung. Um den Anforderungen gerecht zu werden, bietet sich die Kombination von CPU und GPU in ein und demselben Die an - als APU, wie sie beispielsweise von AMD produziert wird.

Ein weiterer Schritt wäre, die APU mit einem austauschbaren Grafikkarten-Modul zu kombinieren.

Wenn der Begriff „Machine Vision“ − also die computergestützte Lösung von Aufgaben, orientiert an den Fähigkeiten des menschlichen visuellen Systems − fällt, denken die meisten Menschen unweigerlich an bekannte Genre-Filme wie „Terminator“ oder „I, Robot“. In ihnen werden „sehende“ und damit ihre Umgebung wahrnehmende Roboter sich plötzlich der eigenen Fähigkeiten bewusst. Sie erkennen ihre Macht und avancieren zu einer realen Gefahr für die Menschheit. Glücklicherweise gestaltet sich die Wirklichkeit nicht ganz so bedrohlich. Vielleicht sollte die Branche dennoch in Erwägung ziehen, diese zukunftsweisende Technologie in einer anwenderfreundlicheren Art und Weise zu beschreiben, denn für Embedded-Anwendungen birgt sie ein beträchtliches Potenzial.

Machine Vision bedeutet im Grunde nichts anderes, als die in einem Bild enthaltenen Informationen in Echtzeit so auszuwerten, dass ein abgebildetes Objekt evaluiert und eingestuft werden kann. Ein einfaches Beispiel ist der Sortiervorgang am Fließband oder im Logistikzentrum, bevor ein Produkt ausgeliefert wird. Häufig kommt dabei eine PBC-Überprüfung (Printed Circuit Board) zum Einsatz. Dabei wird ein Musterbeispiel genutzt, um etwa eine korrekt bestückte Leiterplatte mit der laufenden Produktion abzugleichen, während diese mithilfe eines Pick-and-Place-Systems zur nächsten Prozessstufe weitergeleitet wird. Dies ist ein großer Fortschritt, der die Qualität sichert und Fehler minimiert. Denn das menschliche Auge und Gehirn sind nicht in der Lage, derartige Entscheidungen in einer solch hohen Frequenz so gründlich und schnell zu treffen.

Anforderungen an Prozessoren
 
Durch die immer höhere Auflösung der Bilderkennungssysteme 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 (zum Beispiel Pass/Fail-Auswertungen, Hold-Modus oder Neustart) zu fällen. 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 unterschieden 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.