在物体检测和分类等机器视觉任务中，高效的特征提取至关重要。Basler视觉方案利用 FPGA处理流程简化了这一过程，通过直接在FPGA上运行Blob分析，提高了方案的实时性能，这一独特优势能够显著优化计算成本。

高效特征提取：专注于关键信息

典型的特征提取过程：去拜耳 > 色彩空间转换 > HSI 阈值处理 > 图像形态学处理 > Blob 分析

特征提取可将原始图像数据转化为数字特征，为物体检测和分类等任务提供更精确和专业的支持。通过专注于关键图像特征并降低数据维度，特征提取不仅能提高数据处理的实时性，还能提高处理效率。

上图展示了基于 FPGA 和 CPU 架构的典型特征提取流程：去拜耳、色彩空间转换、HSI 阈值处理、形态过滤和 Blob 分析。这些步骤将图像转换成计算机可以解读的格式。在最后一步中，被测物被识别为 64 位格式的 Blob，左边的数字代表其边界框，右边的数字显示其面积。

FPGA处理流程：提高帧速率，降低CPU负载

基于FPGA和CPU典型特征提取步骤对比

Basler采用500万像素的CXP-12接口相机进行演示，将其设置为以122fps的速率运行。随后，在PC端CPU与图像采集处理卡端的FPGA上，分别采用VisualApplets以进行典型特征提取流程的对比，并得出以下结论：

· CPU：占用100%CPU负载，帧速率降至9fps;

· FPGA：占用9%CPU负载，帧速率维持在122fps;

由此可以看出，对于复杂且对时序要求严格的视觉任务，FPGA 处理流程可确保最佳性能，以最优的 CPU 负载维持高帧率运行。

了解 Blob 分析的作用

Blob 分析可识别并分析二进制图像中的连接区域(Blob)，提取关键图像数据，如对象的大小、形状、位置、面积和连接性。

虽然许多人认为 FPGA 在图像采集卡中的功能仅限于图像预处理，但其实远远不止于此。通常情况下，图像处理最后阶段执行的 Blob 分析由 CPU 处理。然而，考虑到 Blob 分析对资源的需求，将其转移到 FPGA 上可显著降低 CPU 负载，提高系统整体性能。

在FPGA端运行Blob分析产生显著差异的原因?

在另一组测试中，Basler采用2500万像素的CXP-12相机，并使其以72fps的帧速率进行51*51，共计2601点网格的检测，在CPU和FPGA端同时运行Blob分析并进行对比。结果如下：Blob 分析需要高强度、高密度的计算，如果由中央处理器处理，会大大降低实时任务的速度，导致装配线缺陷检测等关键应用出现延迟。将 Blob 分析硬连接到 FPGA 上可大大降低 CPU 负载，使系统以最低延迟全速运行。

由FPGA和CPU进行Blob分析的对比

在难度高、对时序要求高的应用场景(如高速网状检测系统)中，通过在FPGA上执行图像预处理和分析，仅需处理存在缺陷的区域，从而将PC端数据负载大幅降低。借助Basler 简单易用的FPGA编程软件VisualApplets，能够实现快速、高效的处理，且延迟极低。我们的FPGA方案采用单次通过算法，一次性处理图像，并以最小的计算成本优化实时应用。

基于FPGA的Blob分析的主要优势：

· 数据处理高效：在流程初期即进行预处理，减轻数据负载。

· 无额外延迟：保证实时性能，不牺牲速度。

· 系统性能提升：最大化相机和系统能力。

· 应用广泛：适用于快速移动和复杂应用环境。

（来源：Basler计算机视觉）