随着工业智能化的不断发展,尤其是智能工业机器人对各行各业的渗透,通过视觉的方式让机器人理解周围工作环境愈发重要。本文以研究视觉显著性算法在智能工业机器人上的应用为课题,研究领域涉及视觉显著性原理以及CPU/GPU异构计算两部分,目的是为了实现高性能的水泥砂浆高度分析系统。本文的主要研究内容分为四部分。首先重点研究Saliency Filters(SF)算法的实现原理,提出了SF算法的反向参数优化方法。此优化方法将任务驱动模型引入SF算法中,其核心思想是通过梯度下降算法找到使整体损失函数最小的最优参数集。实验证明通过对任务数据的学习,反向参数优化方法可以有效提高SF算法在给定场景下的准确性。其次详细分析了传统SF算法的时间性能,给出各模块的耗时分布数据。而后详细地分析各个模块的访存行为特征以及时间复杂度,并提出相应的异构优化思路。由于异构计算的优化效果高度依赖于硬件架构,本文在分析过程中给出了各模块可能存在的多种优化思路,其最优组合由后续实验结论确定。基于上述性能分析,本文在OpenCL异构计算框架下实现了高性能并行SF算法。再次详细对比了并行SF算法与传统SF算法的时间性能表现,对并行SF算法时间性能提升的原因、性能瓶颈以及进一步的提升空间都给出了定量的分析结论,也回答了各模块最优优化方式组合的问题。本文使用两组不同的测试平台,一方面能体现出异构计算加速比与硬件架构的关系,另一方面也为实际硬件选型提供了量化标准。从测试结论上看,本文实现的各高性能模块相比于传统SF算法均有5-20倍的加速效果,其中SLIC超像素聚类模块的时间性能优于前人的优化结果。并行SF算法的整体性能在准确性损失可接受的情况下,实现了相对于传统SF算法20倍的加速效果,具有很强的实用价值。最后实现了完整的水泥砂浆高度分析系统,重点描述了高度标识模块的实现细节,并给出了该系统的应用效果及精度信息。从最终的测试结论来看,此系统将视觉显著性原理应用于水泥砂浆的高度分析,系统精度相比于人工标识误差在10个像素点以内,实现了本文的研究目标。