Jan Fortmann
FPGA-beschleunigte Anomalieerkennung auf Basis neuronaler Netze für den Einsatz in industriellen Kameras

Abstract
Neuronale Netze sind aus dem Alltag nicht mehr wegzudenken. Durch ihre revolutionäre Entwicklung und die einfache Anwendung selbstlernender künstlicher Intelligenzen sind sie mittlerweile jedem ein Begriff. Eine Einsatzmöglichkeit in der industriellen Bildverarbeitung ist die Erkennung von Anomalien in Bilddaten. Der derzeitige Stand der Technik zeigt, dass DL-basierte Methoden zur Anomalieerkennung eine nahezu 100%-ige Genauigkeit auf Datensätzen erreichen, die an industrielle Inspektionsszenarien angelehnt sind. Diese Methoden sind jedoch selbst auf leistungsstarken GPUs nicht echtzeitfähig und werden nicht in reale Applikationen eingebunden. Im Rahmen der vorliegenden Arbeit wird daher die Inferenz der Anomalieerkennung mit einer Autoencoder-Architektur durch die Xilinx DPU auf einem Xilinx Zynq UltraScale+-FPGA beschleunigt. Das entwickelte Komplettsystem beschleunigt dabei auch die Vor- und Nachverarbeitung der Bilddaten, sodass eine Echtzeitverarbeitung von Kamerabildern mit einer Auflösung von (1536, 1536) Pixeln bei über 25 FPS möglich ist. Eine Auswertung der Netzarchitektur zeigt, dass die Inferenz bis zu 2.6 x schneller ist als bei einer Ausführung auf CPU/GPU und durch die deutlich geringere Leistungsaufnahme der Plattform eine signifikant höhere Verarbeitungsrate pro Watt erreicht wird. Die Klassifizierungsgenauigkeit entspricht etablierten Methoden, erreicht jedoch nicht den derzeitigen Stand der Technik.