Ανάπτυξη αλγορίθμων ρομποτικής όρασης σε ενσωματωμένες αρχιτεκτονικές

Παπανικολάου, Οδυσσέας; Papanikolaou, Odysseas

dc.contributor.author	Παπανικολάου, Οδυσσέας	el
dc.contributor.author	Papanikolaou, Odysseas	en
dc.date.accessioned	2017-03-02T08:37:03Z
dc.date.available	2017-03-02T08:37:03Z
dc.date.issued	2017-03-02
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/44483
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.13917
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική όραση	el
dc.subject	Ενσωματωμένα συστήματα	el
dc.subject	Αλγόριθμος ανίχνευσης γωνιών	el
dc.subject	Αναγνώριση γωνιών	el
dc.subject	Όραση υπολογιστών	el
dc.subject	Harris and Stephens corner detector	en
dc.subject	Myriad 2	en
dc.subject	Computer vision	en
dc.subject	Embedded architectures	en
dc.subject	Corner detection	en
dc.subject	Harris and Stephens	en
dc.title	Ανάπτυξη αλγορίθμων ρομποτικής όρασης σε ενσωματωμένες αρχιτεκτονικές	el
heal.type	bachelorThesis
heal.secondaryTitle	Implementation of computer vision algorithms on embedded architectures	en
heal.classification	Όραση υπολογιστών	el
heal.classification	Συστήματα πραγματικού χρόνου και ενσωματωμένα συστήματα	el
heal.classification	Computer vision	en
heal.classification	Embedded computer systems	en
heal.classificationURI	http://data.seab.gr/concepts/3da586670849f84a8b8976eac50a9d19a7562c2c
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85029549
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh87006632
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-11-04
heal.abstract	Η όραση υπολογιστών αποτελούσε κυρίως ένα πεδίο της ακαδημαϊκής έρευνας κατά τη διάρκεια των προηγούμενων ετών. Σήμερα, ωστόσο, είναι όλο και πιο δημοφιλής σε εφαρμογές πραγματικού κόσμου. Λόγω της εμφάνισης πολύ ισχυρών, χαμηλού κόστους, και ενεργειακά αποδοτικών μικρο - επεξεργαστών, έχει καταστεί δυνατό να ενσωματωθούν πρακτικοί αλγόριθμοι όρασης υπολογιστών σε ενσωματωμένα συστήματα και να δημιουργηθούν έξυπνες συσκευές ικανές να κατανοήσουν το περιβάλλον τους μέσω οπτικών μέσων. Στην παρούσα διπλωματική εργασία, ασχολούμαστε με την ανάπτυξη του αλγορίθμου ανίχνευσης σημείων ενδιαφέροντος ,των Harris και Stephens, σε μια ενσωματωμένη συσκευή που έχει σχεδιαστεί για την επιτάχυνση εφαρμογών μηχανικής όρασης, τη Myriad 2 από την Movidius. Μετά την αξιολόγηση βασικών φίλτρων υπολογιστικής όρασης, δημιουργήσαμε ένα πλήθος κανόνων με βάση τους οποίους θα μπορέσουμε να επιτύχουμε μια αποδοτική υλοποίηση σε αυτή την πλατφόρμα. Στη συνέχεια, οι απαραίτητες μετατροπές έγιναν προκειμένου να μεταφερθεί ο αλγορίθμος από γενικού σκοπού επεξεργαστές σε μια ενσωματωμένη συσκευή. Ακολούθως, αρχίσαμε εισάγοντας αρκετές βελτιώσεις με στόχο την αξιοποίηση του υλικού της Myriad στο υψηλότερο επίπεδο και τη μέγιστη απόδοση. Αυτές οι βελτιστοποιήσεις, ήταν αρχικά στοχευμένες στη μείωση του εύρους μνήμης της εφαρμογής. Με τον περιορισμό του αριθμού των απαιτούμενων προσπελάσεων στη μνήμη, ήμασταν σε θέση να επιτρέψουμε στους VLIW επεξεργαστές της Myriad 2 να εκτελέσουν τον αλγόριθμο αποδοτικά, χωρίς ενδιάμεσες καθυστερήσεις από μεταφορές δεδομένων. Επιπλέον, μια αλγοριθμική μετατροπή εφαρμόστηκε προκειμένου να ευθυγραμμίσει τις πιο απαιτητικές συναρτήσεις της υλοποίησης με το σύστημα επεξεργασίας των SHAVEs. H Myriad 2, σε αντίθεση με τους παραδοσιακούς μικρο-επεξεργαστές, έχει σχεδιαστεί για να λειτουργεί παράλληλα σε μεγάλο όγκο πληροφοριών. Ως εκ τούτου, κάνοντας μια σχετική βελτιστοποίηση στις βασικές συναρτήσεις, ήμασταν σε θέση να επιτύχουμε ακόμη υψηλότερα επίπεδα απόδοσης. Τέλος, η εργασία αυτή απέδειξε ότι Myriad 2 μπορεί να επιταχύνει σημαντικά υψηλής πολυπλοκότητας αλγορίθμους μηχανικής όρασης, όπως αυτός των Harris και Stephens, και να ανταπεξέλθει αποτελεσματικά στο βαρύ υπολογιστικό φορτίο λειτουργώντας σε ένα εξαιρετικά χαμηλό επίπεδο κατανάλωσης ισχύος.	el
heal.abstract	Computer vision has mainly been a field of academic research over the past several decades. Nowadays, however, it is becoming more and more popular in real world applications. Due to the emergence of very powerful, low-cost, and energy-efficient processors, it has become possible to incorporate practical computer vision capabilities into embedded systems and create devices capable of understanding their environment through visual means. In this thesis we deal with the development of the Harris & Stephens corner detection algorithm into an embedded device designed to accelerate machine vision tasks, Myriad 2 by Movidius. After evaluating basic computer vision filters, we created a design space based on which we could achieve an efficient implementation in this platform. Subsequently, the necessary transformations were made in order to port the algorithm from a general purpose CPU into an embedded device. Then, we started introducing several optimizations with the goal of utilizing Myriad’s hardware at the highest level and reaching a maximum performance. These optimizations were initially based in reducing the memory overhead of the application. By limiting the number of required memory accesses, we were able to allow the VLIW processors of Myriad 2 to run the algorithm efficiently, without too many stalls. In addition, an algorithmic transformation was applied in order to align the most demanding functions with the processing scheme of the SHAVEs. Myriad 2, instead of traditional processors, is designed for operating in parallel on tons of information that they are all coming through at once. Therefore, by making a relevant optimization in the basic functions, we were able to achieve even higher efficiency levels. Finally, our implementation proved that Myriad 2 can accelerate significantly a high- complexity Computer Vision algorithm, like Harris corner detection, and deal with the intensive computational load efficiently and at an ultra low power envelope.	en
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Πεκμεστζή, Κιαμάλ	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	116 σ.	el
heal.fullTextAvailability	true