GPU-Computing in der Bildverarbeitung

Da konventionelle Verfahren für die Montage von Anbauteilen nur mit erheblichem Personaleinsatz die angestrebten Design- und Qualitätsstandards erreichen können, werden diese immer häufiger durch intelligente sensorgestützte Montageverfahren ersetzt. Diese erlauben es, Anbauteile vollautomatisch zu positionieren und zu fügen, ohne das ein manuelles Eingreifen erforderlich wird. BestFit-System Das von der FFT EDAG entwickelte sensorgestützte Montageverfahren trägt den Namen BestFit. Es besteht aus unterschiedlichen (2D/2,5D) selbst konstruierten Sensoren und einer eigens entwickelten Bildverarbeitungssoftware. Zur exakten Positionierung eines Bauteils erfassen die Sensoren das zu fügende Bauteil und ermitteln Informationen wie Spalt und Bündigkeit in Bezug zu einem weiteren Bauteil. Ein komplexer Algorithmus errechnet anschließend die BestFit-Position des Bauteils und sendet entsprechende Korrekturbefehle an einen Aktor, der in der Regel ein Industrieroboter ist. Bei den Berechnungen werden individuelle Toleranzen gemäß zuvor getätigter Einstellungen wie Sollspalte, Sollübergänge und Gewichtung pro Sensor berücksichtigt. Der Roboter justiert und montiert das Bauteil anschließend so, dass es trotz der unvermeidlichen Fertigungstoleranzen den Anforderungen eines qualitativ hochwertigen Fahrzeuges entspricht. Eine zusätzliche Besonderheit des Systems ist es, dass es selbstständig Abweichungen der BestFit-Position zur erreichten Montageposition erkennt und so das Setzverhalten durch den Fügeprozess eigenständig ausregeln kann. Der Vario Gauge V4 Sensor Der 2,5D-Sensor besteht aus einer Regel- und Überwachungselektronik, einer Digitalkamera und einem 5-Linien Laser. Die Laserlinien des 5-Linien Lasers werden von dem Sensor auf das zu positionierende Bauteil projiziert und von der ebenfalls im Sensorgehäuse enthaltenen Kamera aufgezeichnet. Anschließend werden die Linien mit dem in der Bildverarbeitung weit verbreiteten Verfahren zur Lokalisierung bekannter Objekte, dem Template Matching, innerhalb des Bildes identifiziert. Da das Verfahren einen erheblichen Rechenaufwand benötigt, der bei mehreren Sensoren zu Verzögerungen im Fertigungsprozess führen kann, entwickelte die FFT EDAG neue Algorithmen zur Nutzung geeigneter Hardware, um den Zeitaufwand der Bildverarbeitung zu minimieren. Optimierung durch Einsatz von GPU-Computing Die Strategie bei der Umsetzung sieht dabei die Verwendung von einem oder mehreren Grafikprozessoren (Graphics Processing Unit – GPU) anstelle von einem Mehrkernprozessor (Central Processing Unit – CPU) als Berechnungseinheit vor. Ein Grafikprozessor erlaubt, durch seine einzigartige Architektur, deutlich mehr parallele Berechnungen als ein Mehrkernprozessor. Aufgrund des parallelen Charakters des Template Matching, bei dem jeder Korrelationskoeffizient unabhängig berechnet wird, können unter Verwendung des Grafikprozessors deutlich mehr Berechnungen gleichzeitig ausgeführt werden, wodurch wiederum die Korrelationskoeffizienten des Template Matching spürbar schneller bestimmt werden können. Mit den Firmen Nvidia und AMD stehen zwei unterschiedliche Anbieter von Grafikprozessoren zur Verfügung, die jeweils eigene Lösungen für den Einsatz des Grafikprozessors für allgemeine Berechnungen bereitstellen. Anhand verschiedener Tests zeigte sich, dass abhängig vom Berechnungsaufwand mal die Lösung von Nvidia und mal die Lösung von AMD zu bevorzugen ist. Insgesamt erzielten jedoch beide Technologien deutliche Geschwindigkeitsvorteile gegenüber einer CPU-Implementierung und konnten damit zu einer erheblichen Reduktion der Berechnungszeit der Bildverarbeitung des BestFit-Systems beitragen. Fazit Das GPU Computing, auch High Performance Computing genannt, findet in immer mehr Bereichen Anwendung und erlaubt deutlich kürzere Berechnungszeiten bei rechenintensiven hoch parallelen Berechnungen gegenüber klassischen Mehrkernprozessorsystemen. Durch ein einfaches Programmiermodell erlauben es die Technologien von AMD und Nvidia mit relativ wenig Entwicklungsaufwand Erfolge zu erzielen. Diese Vorteile konnte sich auch die FFT EDAG zur Beschleunigung des eigens entwickelten sensorgestützte Montageverfahren zu Nutze machen. Durch den Einsatz eines Grafikprozessors konnte die verwendete Bildverarbeitung spürbar schneller ausgeführt werden. Zusätzlich wurde die Auslastung des Mehrkernprozessors reduziert, so dass dieser nun für andere Berechnungen genutzt werden kann.