OPENCL İLE GERÇEK ZAMANLI DOĞAL TAŞ TASNİFİ VE PERFORMANS ANALİZİ

Yıl 2019, , 689 - 698, 15.09.2019

Abdullah Serdar Önder , Tuna Göksu

https://doi.org/10.21923/jesd.520373

Cited By: 1

Öz

Doğal taş üretim tesislerinde,
paketlenen her kasa, taşın aynı seleksiyonlarını içermesi gerekmektedir. Taşların
doğru seleksiyona ait kasalara yerleştirilememesi hatalı sınıflandırma
sonuçlarını doğurabilmektedir. Bu çalışma doğal taş tasnifini, personel
yorumuna bırakmadan hızlı ve doğru şekilde sağlanması amacı ile
gerçekleştirilmiştir. Elde edilen görüntüler 18 farklı renk uzayında
gözlemlenmiş, sayısal olarak elde edilen veriler incelenmiş ve seleksiyon ayrımında
kullanılabilecek renk uzayı dönüşümleri belirlenmiştir. OpenCL yazılım çatısı
ile parelelleştirilmiş uygulama CPU, GPU, FPGA üzerinde çalıştırılmış ve bu platformlarda
performans analizleri gerçekleştirilmiştir. GPU, CPU’dan 4.5 kat ve FPGA’den 26
kat daha hızlı işlem yapmıştır. Görüntüler aynı ortamda on kez
tekrarlanarak elde edilmiş ve tasniflendirme işlemi %100 doğrulukla
sonuçlandırılmıştır. 

Anahtar Kelimeler

OpenCL, Renk uzayları, Doğal taş tasnifi, Performans analizi

REAL-TIME NATURAL STONE CLASSIFICATION WITH OPENCL AND PERFORMANCE ANALYSIS

Öz

In natural stone production facilities, every box
should contain the stones’ same selection. The placement of stones in wrong
selection boxes causes the classification results to be inaccurate. This study
has been carried out with the aim of providing the natural stone classification
straight and quickly in a way that can be done alone without staff. The images
were observed in 18 different color spaces, the numerical data were obtained
from each type of marble and color space transformations that can be used for
selection are determined. The application parallelized with OpenCL software
renderer was runned on the CPU, GPU, FPGA and a performance analyzes were
performed on this platforms. The GPU is 4.5 times faster than the CPU and 26
times faster than the FPGA. The images were obtained by repeating ten times in
the same experimental environment and the classification process was concluded
with 100% accuracy.

Anahtar Kelimeler

OpenCL, Color spaces, Natural stone classification, Performance analysis

Kaynakça

• Abadi, M., S., E., Banihashemi, N. 2015. Automatic classification of travertine stones based on sum and difference histograms algorithm. 2015 9th Iranian Conference on Machine Vision and Image Processing (MVIP).
• Altuncu, M., A., Kösten, M., M., Çavuşlu, M., A. & Şahin, S. 2018. “Temel Görüntü İşleme Uygulamalarının Düşük Maliyetli IP Çekirdek olarak FPGA Tabanlı Gerçeklenmesi”, IEEE Xplore, SİU 2018 IEEE 26. Sinyal İşleme ve İletişim Uygulamaları Kurultayı – İzmir.
• Asano, S., Maruyama, T. & Yamaguchi, Y. 2009. Performance comparison of FPGA, GPU and CPU in image processing. 19th International Conference on Field Programmable Logic and Applications. 126-131.
• Ayat, S., O., Khalil-Hani, M., & Bakhteri, R. 2015. OpenCL Based Hardware-Software Co-Design Methodology for Image Processing Implementation on Heterogeneous FPGA Platform. IEEE International Conference on Control System, Computing and Engineering (ICCSCE), 36–41.
• Banger, R., Kumar, B., 2013. OpenCL Programming by Example. Packt Publishing, 287s, Birmingham.
• Bianconi, F., Bello, R., González, E. & Fernández, A. 2015. On Comparing Colour Spaces From A Performance Perspective: Application to Automated Classification of Polished Natural Stones, in New Trends in Image Analysis and Processing -- ICIAP 2015 Workshops, V. Murino, E. Puppo, D. Sona, M. Cristani and C. Sansone eds., Vol. 9281 of Lecture Notes in Computer Science, 71-78.
• Brown, S., Rose, J., 1992. Field Programmable Gate Array. Kluwer Academic Publishers, 287s, USA.
• Chen, D. & Singh, D. 2013. Fractal video compression in OpenCL: An Evaluation of CPUs, GPUs, and FPGAs as Acceleration Platforms. 18th Asia and South Pacific Design Automation Conference (ASP-DAC). 297-304.
• Çelik, A., R., 2013. Görüntü İşleme Algoritmalarının FPGA Donanımı Üzerinde Gerçeklenmesi. Kahramanmaraş Sütçü İmam Üniversitesi, Fen Bilimleri Enstitüsü, YL Tezi, 53s, Kahramanmaraş.
• Çil, M., M., 2015. Temel Görüntü İşleme Algoritmalarının FPGA Üzerinde Gerçeklenmesi İstanbul Teknik Üniversitesi, Fen bilimleri Enstitüsü, YL Tezi, 65s, İstanbul.
• Eskikaya, B., 2012. Distributed OpenCL – OpenCL Platformunun Ağ Ölçeğinde Dağıtılması. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, YL Tezi, 49s, İstanbul.
• Faisal, M., R., 2018. OpenCL ile FPGA Üzerinde Güvenlik Duvarının Gerçeklenmesi, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, YL Tezi, 68s, Isparta.
• Gaster, B., Howes, L., Kaeli D., R., Mistry, P. & Schaa, D., 2013. Heterogeneus Computing with OpenCl: Revised OpenCL 1.2 Ed. Morgen Kaufhann Publishing, 291s, USA.
• Greisen, P., Heinzle, S., Gross, M., & Burg, A., P., 2011. An FPGA-Based Processing Pipeline For High-Definition Stereo Video. Erişim Tarihi: 24.08.2018. https://jivp-eurasipjournals.springeropen.com
• Gülmez, S., 2016. Asenkron Motorlarda Fpga ile Sensörsüz Gerçek Zamanlı Hız Tespiti, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, YL Tezi, 68s, Isparta.
• Herlihy, M., N., Shavit, 2012. The Art of Multiprocessor Programming, Revised Reprint, Elsevier, 536s, USA.
• Huang, S., Zhong, S. & Chen, K. 2016. A Novel Method of Stone Surface Texture Image Recognition. IEEE International Conference on Signal and Image Processing (ICSIP). 146-150.
• Kemaloglu, N., Aydogan, T., & Metlek, S., 2018. Classification of Travertine Tiles with Supervised and Unsupervised Classifiers and Quality Control, International Journal of Engineering and Technology, 10(3), 221-223.
• Moore, A., 2014. FPGAs for Dummies-Fpgas Keep You Moving in a Fastchanging World, Wiley John & Sons Publishing, 44s, USA.
• Pereira, Pedro, M., M., Domingues, P., Rodrigues, Nuno, M., M., Falcao, G. & Faria, S., M., M., 2016. Optimized Fast Walsh-Hadamard Transform on OpenCL-GPU and OpenCL-CPU, Proc IPTA 2016 - 6th International Conference on Image Processing Theory, Tools and Applications IPTA'2016, Oulu, Finland, Vol. 1, 1-8.
• Saraç, M., R., 2016. FPGA Kullanarak Gerçek Zamanlı Görsel Nesne Algılama, Fırat Üniversitesi, Fen Bilimleri Enstitüsü, YL Tezi, Elazığ.
• Shen, J., Fang, J., Sips, H., Varbanescu, A., L., 2013. An application-centric evaluation of OpenCL on multi-core CPUs, Parallel Computing, 39, 834–850.
• Sümerkan, H., D., 2014. Gömülü Sistemler Üzerinde OpenCL Tabanlı Görüntü İşleme Kütüphanesi ve Kernel Füzyon. TOBB Ekonomi ve Teknoloji Üniversitesi, Fen bilimleri Enstitüsü, YL Tezi, 69s, Ankara.
• Şimşek, B., 2016. İris Karşılaştırma Algoritmasının OpenCL Dili Kullanılarak Hızlandırılması, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, YL Tezi, 81s, Ankara.
• Tay, R., 2013. OpenCL Parallel Programming Development Cookbook. Packt Publishing, 286s, Birmingham.
• Tonguç, G., 2007. Görüntü İşleme Teknikleri Kullanılarak Meyve Tasnifi. Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, YL Tezi, 90s, Isparta.
• Tosun, O., 2015. Görüntü İşleme ile Yaprak Alanı Ölçüm Sistemi Tasarımı. Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, YL Tezi, 70s, Isparta.
• Wu, Q., Ha, Y., Kumar, A., Luo, S., Li, A. & Mohamed, S. 2014. A Heterogeneous Platform with GPU and FPGA for Power Efficient High Performance Computing. College of Information Science & Engineering, Hunan University, Changsha, China. 220-223.