RZ/A2M集成了瑞薩特有的DRP（動態(tài)可重新配置處理器）技術，擁有超高性能的圖形圖像處理能力。DRP在擁有硬件級別運算能力的同時，也能夠從軟件層面對運算邏輯進行實時修改，保證了靈活性的同時也擁有不俗的圖像處理能力。本文中，我們將重點介紹RZ/A2M在工業(yè)自動化領域應用的優(yōu)勢，包括更高的圖像處理能力以及超低的功耗。

視頻中的機械臂之所以能夠如此靈活的識別并抓取目標物體，是因為有RZ/A2M獨有的DRP模塊對機器視覺的圖像處理過程進行加速。外接的顯示器上可以看到，整個圖像處理流程（包括bayer轉(zhuǎn)RGB、陰影校正&白平衡、RGB轉(zhuǎn)二值化圖像、尋找輪廓、圖像降噪、Bayer轉(zhuǎn)灰階送顯示等）只用了不到3ms，最終達到VGA（640x480）分辨率下60fps的優(yōu)良性能。

什么是DRP？

DRP全稱是Dynamically Reconfigurable Processer，即動態(tài)可重配置處理器。是瑞薩獨創(chuàng)的體系結(jié)構，能夠動態(tài)的調(diào)整硬件運算單元的邏輯電路，實現(xiàn)各式各樣的運算功能。

DRP有6個獨立的單元稱為“Tile”，它們可以加載多個配置數(shù)據(jù)（即算法庫）并且并行的執(zhí)行，這些算法庫存放在系統(tǒng)內(nèi)存中，在需要的時候由CPU下發(fā)指令將其加載到各個Tile中。

任何時候都可以修改各個Tile中的算法庫，并且在修改過程中不會影響其它Tile的運行。

DRP采用動態(tài)加載的方法可以在極小的硬件資源上實現(xiàn)應用對不同圖像處理算法高速處理的需求。

DRP憑什么這么優(yōu)秀？

DRP是一個硬件資源，所有的運算邏輯都在硬件層面實現(xiàn)，每個Tile都是一個獨立的運算單元，Tile擁有的硬件資源是一定的，所以當有算法庫用到的硬件資源較多的時候，就需要兩個甚至更多的Tile來協(xié)同配合，以下是DRP所擁有的硬件資源。

DRP在運行的過程中，會自動的根據(jù)算法庫的復雜程度，靈活的對硬件資源進行一些整合，比如在一個Tile內(nèi)，將兩個16bit的乘法器合并成一個32bit的乘法器使用；或者將一個16bit的乘法器與一個計數(shù)器組合使用等。進一步擴大了DRP的運算能力。

硬件的運算能力我們都非常清楚，比如目前應用非常廣泛的FPGA的算力就和CPU完全不在一個量級，然而FPGA的缺陷也很明顯，就是運算規(guī)模直接和門電路數(shù)量掛鉤，需要實現(xiàn)復雜的算法就必須用更多的門數(shù)，而且一旦算法要求的門數(shù)超出了項目初期的FPGA選型，則不得不更換更大規(guī)模的FPGA，非常的不方便。

這個時候，DRP的靈活性就體現(xiàn)出來了，它不僅可以在庫與庫之間靈活切換，在同一個庫的內(nèi)部，也能在不同的時鐘周期內(nèi)，動態(tài)調(diào)整運算電路之間的邏輯，來實現(xiàn)各種各樣的運算方式。通過這種分時復用的方式，最大限度的提升了運算性能，給小體積發(fā)揮大能力提供了無限可能。

動態(tài)可重配置的性能可以在1個時鐘周期內(nèi)修改運算電路的組合方式，動態(tài)加載可以在1ms內(nèi)重新裝載整個新的算法庫。

DRP甚至可以通過多個Tile運行同一個算法庫來提高處理速度。比如將一張圖片等分為6份，交給6個Tile進行圖像處理，性能直接在原有的基礎上提升6倍！

一般來說，性能提升往往會伴隨著功耗的增加。但是用DRP來提升圖像處理能力是一種另辟蹊徑的優(yōu)化方式，而且這種方式的能耗要遠遠低于CPU的能耗。

如何使用DRP？

前邊介紹了諸多DRP的優(yōu)勢，大家可能對于DRP的使用方法有諸多猜測，可能會擔心難以上手。但是！不用擔心！瑞薩電子為大家提供了完整的服務，目前我們開發(fā)了大約50個算法庫供大家使用，大部分算法庫與opencv庫的功能和接口相似，非常方便即可在一個普通的工程中使用DRP。

圖為cv庫和DRP庫的切換

下面我們以Bayer轉(zhuǎn)RGB的庫為例，看看在使用DRP的時候需要做哪些事情。

首先是函數(shù)接口，需要提供的參數(shù)包括輸入地址、輸出地址、圖像寬高以及是否使用tinning（在轉(zhuǎn)換過程中可以同時對圖像尺寸進行壓縮）。

在函數(shù)內(nèi)部，需要先將DRP的庫load到DRP硬件中去，g_drp_lib_bayer_binning2rgb這個數(shù)組中存放的就是編譯好的二進制格式DRP庫。我們使用6個Tile并行處理一張圖片的方式，因此給6個Tile都load此庫。

最后等待6個Tile全部運算完畢即可。

下面我們來具體看看，機械臂是如何借助DRP的強大功能，實現(xiàn)了如此快速的物體檢測與跟蹤的。

在機械臂上電初始化以后，暫時沒有找到目標，所以工作在物體檢測的模式。這個模式的工作流程如下：

可以看到camera采集到一幀圖像后，

由DRP做了一次Bayer到RGB的轉(zhuǎn)換，這個轉(zhuǎn)換同時將圖像的寬高壓縮到了原來的1/4，可以在不丟失準確率的前提下加快后續(xù)流程的速度；這個庫只占用1個tile，所以可以將圖片拆分成6份同時進行，耗時0.4ms。

給DRP中l(wèi)oad陰影校正&白平衡的庫，對上一步的結(jié)果做矯正，這個庫由于使用的資源較多，占用兩個tile，所以需要把圖像拆分成3份操 作，耗時0.8ms。

由RGB圖轉(zhuǎn)換為HSV圖并提取其中V的值。方便后續(xù)的移動物體檢測以及輪廓提取，耗時0.2ms。

使用“加權移動平均法”提取運動的物體，此算法耗時0.6ms。

根據(jù)上一步得出的物體信息，尋找輪廓和中心點。（由CPU完成）

如果找到目標，則轉(zhuǎn)入物體跟蹤的流程，否則重復這個過程。

其它一些顯示相關的處理流程。

假如上述流程中找到了目標，那么就會進入物體跟蹤的流程，物體跟蹤模式的工作流程如下：

可以看到前兩步處理方式都是一樣的，Bayer轉(zhuǎn)RGB + 陰影校正&白平衡共消耗1.2ms。

由于這個模式中已經(jīng)確定畫面中存在物體，所以直接對圖像進行二值化處理，調(diào)用DRP中RGB轉(zhuǎn)Binary的庫進行轉(zhuǎn)換操作，耗時0.8ms。

由CPU尋找輪廓并計算中心點坐標和角度。 CPU分別計算坐標、角度與畫面中心的偏差值，并根據(jù)此值調(diào)整各個電機的控制量，耗時0.7ms。

由于前序?qū)D像尺寸做了壓縮，所以上一步計算的坐標并不是實際坐標，還需要進行一次坐標換算。

用于顯示的Bayer轉(zhuǎn)灰階圖的庫，以及其他顯示相關的流程，耗時0.3ms。

目前我們可以提供的約50個庫都能實現(xiàn)2~80倍不等的性能提升，這些性能提升是相對于RZ/A2M 528MHz Cortex A9 CPU做的對比。DRP庫對性能的提升普遍在10~20倍之間，10倍以下的庫提升效果不明顯的原因是這些算法本身過于簡單，優(yōu)化空間太小。以下列舉了部分現(xiàn)有的庫以及運算能力對比供大家參考。

當然，如果客戶有想要的庫是我們暫時沒有的，也可以給瑞薩電子提需求，我們會綜合考慮后安排到后續(xù)開發(fā)計劃中。

或者，如果客戶有一些自有的比較機密的算法想移植到DRP中使用，我們也可以提供DRP庫開發(fā)的相關培訓，手把手教你開發(fā)DRP庫。

審核編輯：郭婷