Üretim aşamasında ray ve profilde oluşan kusurların tespitine yönelik bir paralel kusur algılama algoritması

Otomatik bir sistem tarafından görüntü işlenerek sonuç elde etmek günümüzde pek çok alanda gerekliolabilmektedir. Kusurlu ürün üretimi birçok alanda karşılaşılan üreticiler tarafından da istenmeyen birdurumdur. Görüntü işleyerek görüntü üzerindeki kusurların tespit edilmesi bu alanda kullanılan biryöntemdir. Görüntü işleme piksel temelli yapıldığından dolayı çok iş yükü oluşturmaktadır. Hızın işlemsürecinde önem arz ettiği durumlarda paralel görüntü işlemenin yapılması bir çözüm olabilmektedir. Bundandolayı mevcut çok çekirdekli bilgisayarların donanım ya da yazılım yardımıyla paralelleştirilerekgörüntülerin işlenmesi performans sağlayacaktır. Paralel görüntü işlemede elde edilen performans, kullanılanalgoritmanın paralelliğe uygun olması ve işlemcilere doğru bir şekilde dağıtım yapılması ile ilişkilidir.Kaynakların ortak kullanımı ve veri alışverişinin fazla olması performansı doğrudan etkiler. Bu çalışmada;Kardemir A.Ş. haddehanede, haddeleme işlemi sırasında ray ve profil yüzeylerinde meydana gelen kusurların tespit edilmesine yönelik geliştirilen COLMSTD algoritmasının paralel uygulaması, iki farklışekilde gerçekleştirilmiştir. 1. Yöntemde GPU'da çalışacak CUDA çekirdek sayıları yazılımsal olarakdeğiştirilmiş ve 2. Yöntemde ise tek CUDA çekirdeğindeki blok sayıları değiştirilerek, testgerçekleştirilmiştir. GPU (Graphics Processing Unit) üzerinde CUDA (Compute Unified DeviceArchitecture) arayüz desteğinin uygulanması ile elde edilen değerler ile CPU üzerinde elde edilen değerlerkıyaslanmıştır.

A parallel algorithm for defect detection of rail and profile in the manufacturing

Obtaining a result by processing an image via an automatic system may be useful in many fields today.Manufacturing a defective product is an undesired case for manufacturers in many fields. Processing imagesis an efficient method used to detect defects on images to eliminate the defective products. Since imageprocessing is conducted on pixel basis, it entails great workload. In cases where speed is important inprocessing, parallel image processing might be a solution. Therefore, processing images in the current multicore computers by paralleling them with additional hardware and software can boost the performance. Theperformance in parallel image processing is related to relevance of the algorithm to the parallelism and itsaccurate distribution to the processors. Common use of the resources and excess of data exchange affect theperformance directly. In this study, parallel application of COLMSTD algorithm developed to detect thedefects on rail and profile surface during rolling in Kardemir Inc. rolling plant was conducted in two differentways. The 1st method was carried out by selecting the CUDA core numbers in GPU structure by softwareand the 2nd method was conducted by using single CUDA core. The performance of the results obtained onGPU (Graphics Processing Unit) with the support of CUDA (Compute Unified Device Architecture)interface was compared with that of CPU values.

PDF

___

1. Henry Y.T.N., Grantham K.H.P., Nelson H.C.Y., Automated Fabric Defect Detection - A Review, Image and Vision Computing, 29, 442-458, 2011.
2. Funck J.W., Zhong Y., Butler D.A., Brunner C.C., Forrer J.B., Image Segmentation Algorithms Applied to Wood Defect Detection, Computers and Electronics in Agriculture, 41, 157-179, 2003.
3. Kasım Ö., Kuzucuoğlu, AE., Detection and Classification of Leukocyte Cells From Smear Image, Journal of The Faculty of Engineering and architecture of Gazi University, 30 (1), 95-109, 2015.
4. Calle F.J., Bulnes F.G., Garcia D.F., Usamentiaga R,, Molleda J., A Parallel Genetic Algorithm for Configuring Defect Detection Methods, Latin America Transactions, 13, 1462-1468, 2015.
5. Yazdchi M., Yazdi M., Mahyari A.G., Steel Surface Defect Detection Using Texture Segmentation Based on Multifractal Dimension, International Digital Image Processing Conference, Bangkok, Thailand, 346-350, 2009.
6. Wu G., Zhang H., Sun X., Xu J., Xu K., A bran-new Feature Extraction Method and Its Application to Surface Defect Recognition of Hot Rolled Strips, International Conference on Automation and Logistics, Jinan, 2069-2074, 2007.
7. Xu K., Yang C., On-line Defect Detection Algorithms for Surface Inspection of Hot Rolled Strips, Mechanic Automation and Control Engineering (MACE), Wuhan, 2350-2353, 2010.
8. Orak İ.M., Çelik A., An Algorithm (COLMSTD) for Detection of Defects on Rail and Profile Surfaces, International Journal of Computer Science and Information Security (IJCSIS), 14 (4), 45-50, 2016.
9. Gebali F., Algorithms-Parallel-Computing, New Jersey, USA: John Wiley Sons, 2011.
10. Spinola G.C., Canero-Nietro M. J., Bonelo M. J., Realtime Image Processing for Edge Inspection and Defect Detecion in Stainless Steel Production Lines, Imaging Systems and Techniques, Penang, Malaysia, 170-175, 2011.
11. Sadeghi M., Soltani H., Zamanifar K., Application of Parallel Algorithm in Image Processing of Steel Surfaces for Defect Detection, Cumhuriyet University Science Journal, 36, 263-173, 2015.
12. Jaja J., An Introduction to Paralel Algoritms, Redwood City, USA: Addison Wesley Longman Publishing, 1992.
13. Xianghua X., A Review of Recent Advances in Surface Defect Detection Texture Analysis Techniques, Electronic Letters on Computer Vision and Image Analysis, 3, 1-22, 2008.
14. Weimer D., Thamer H., Thoben D. K., GPU Architecture for Unsupervised Surface Inspection Using Multiscale Texture Analysis, Procedia Technology, 15, 278-284, 2014.
15. Orak M. I., Çelik A., Parallel Noise Removing Process on Hot Rolled Rail Images for Defect Detection, Global Journal on Technology, 136-143, 2015.
16. Shapiro L., Stockman G., Computer Vision, Washington, USA: Pearson, 2001.
17. Vandal N.A., Savvides M., CUDA Accelerated Illumination Preprocessing on GPUs, 17th IEEE Digital Signal Processing (DSP 2011), Corfu, Greece, 1-6, 2011.
18. Nickolls J., Buck I., Garland M., Skadron K., Scalable Parallel Programming with CUDA, Queue - GPU Computing, 6 (2), 40-53, 2008.