Parallelizzazione su GPU Algoritmo Marching Squares per Applicazione Industriale

Questo studio si concentra sullo sviluppo di una versione parallela su GPU dell’algoritmo Marching Squares, che è utilizzato in molteplici applicazioni industriali. L'obiettivo è accelerare il processo di estrazione dei contorni da immagini, specificamente nell'ambito della rilevazione di difetti nella frutta. Attualmente, l'azienda utilizza un'implementazione seriale in Python/Cython fornita dalla libreria scikit-image. Nel corso della ricerca, esamineremo due strategie principali: l'utilizzo della versione più recente di nvc++ per la parallelizzazione in fase di compilazione del codice Cython e l'applicazione delle API Cuda-Python fornite da Nvidia, per il lancio di kernel CUDA direttamente da Python. La soluzione finale sfrutterà le API CUDA-Python e un totale di sei kernel CUDA, ottenendo uno speedup di circa 2.6 rispetto all'implementazione seriale. L’utilizzo in sequenza dei vari kernel CUDA progettati costituirà inoltre un nuovo pattern di programmazione parallela, che risulta di particolare interesse nell’ambito dell’High Performance Computing.