沈阳航空航天大学 电子信息工程学院，辽宁沈阳110000
基于卷积神经网络的目标检测算法发展迅速，随着计算复杂度增加，对设备的性能及功耗要求越来越高。为了使目标检测算法能够部署在嵌入式设备上，本文采用软硬件协同设计方法，使用FPGA对算法进行硬件加速，提出了ZYNQ平台下的Yolo v3-SPP目标检测系统。本文将该系统部署在XCZU15EG芯片上，并对系统所需的功耗、硬件资源及性能进行了分析。首先对要部署的网络模型进行优化，并在Pascal VOC 2007数据集上进行训练，最后使用Vitis AI工具对训练后的模型进行量化、编译，使其适用于ZYNQ端的部署。为了选取最佳的配置方案，探究了各配置对硬件资源及系统性能的影响，从系统功耗（W）、检测速度（FPS）、各类别平均精度的平均值（mAP）、输出误差等方面对系统进行了分析。结果表明：在300 M时钟频率下，输入图片大小为（416，416）时，针对Yolo V3-SPP和Yolo V3-Tiny网络结构，检测速度分别为38.44 FPS和177FPS，mAP分别为80.35%和68.55%，片上芯片功耗为21.583 W，整板功耗23.02 W。满足嵌入式设备部署神经网络模型的低功耗、实时性、高检测精度等要求。
目标检测 硬件加速 ZYNQ Yolo v3-SPP Yolo v3-Tiny object detection hardware acceleration ZYNQ Yolo v3-SPP Yolo v3-Tiny
1 汕头大学 电子工程系, 广东 汕头 515063
2 深圳市人工智能与机器人研究院, 广东 深圳 518054
3 香港中文大学(深圳) 理工学院, 广东 深圳 518172
为了解决神经网络前向传播过程中的硬件加速问题, 设计了一套基于FPGA编程工具Vivado HLS开发的AlexNet神经网络前向传播硬件加速系统。该系统能够确保在达到相关应用要求的基础上, 有效地节省开发时间并降低开发成本。系统基于高级计算机语言C++进行FPGA电路的仿真与开发, 同时, 灵活运用具有很高便捷性及可靠性的Vivado HLS中的PIPELINE和ARRAY_PARTITION指令进行系统优化。实验结果表明, AlexNet神经网络在本文所构建的FPGA加速系统上的运行时间为21.95 ms, 比在传统GPU平台上的运行时70 ms少, 运行速度要3倍以上。此外, 每一层的网络都实现了分开封装操作, 使系统可便捷地移植到其它成熟的卷积神经网络上, 加速了深度学习在各类人工智能系统上的应用, 在智能产业具有广泛的应用价值。
深度学习 现场可编程门阵列 高层次融合 硬件加速电路 deep learning Field Programmable Gate Array (FPGA) high level synthesis hardware acceleration circuits
1 西安邮电大学 计算机学院, 陕西 西安 710121
2 厦门优莱柏网络科技有限公司, 福建 厦门 361008
为了快速、高效地在FPGA平台上实现色彩插值算法并得到高质量的彩色图像, 使用Xilinx高层次综合工具HLS设计并实现一种改进的色彩插值算法。该算法融合双线性插值算法和一阶微分边缘导向插值算法完成图像色彩插值, 对以R分量与B分量为中心像素点的像素使用一阶微分边缘导向插值算法插值计算缺失的颜色分量, 对以G分量为中心像素点的像素使用双线性插值算法插值计算缺失的颜色分量。该算法充分考虑图像边缘插值效果与FPGA硬件资源占用量, 可对Bayer格式图像进行还原, 恢复全彩色图像。本文使用HLS开发, 与传统FPGA开发相比缩短了开发周期, 提高了开发效率。在Kodak数据集上的测试结果表明, 改进的色彩插值算法的彩色峰值信噪比(CPSNR)相较于常规算法高4~6 dB, 且减少了图像锯齿现象和边缘模糊等问题, 本文算法占用FPGA资源较少, 可实现实时的图像色彩插值。
色彩插值 硬件加速 color interpolation Vivado HLS Vivado HLS FPGA FPGA hardware acceleration
1 南京理工大学 智能弹药技术国防重点学科实验室, 南京 210094
2 西南技术物理研究所, 成都 610041
为了提高末敏弹在复杂背景条件下对装甲目标的识别能力, 将线阵激光雷达作为探测器, 结合卷积神经网络对线阵激光雷达距离像进行目标分类与识别.利用末敏弹边旋转边下降的运动特点, 实现对扫描区域的距离成像, 并通过采样率控制及插值等算法将原始距离像构造成适用于卷积神经网络的灰度像.针对弹载高实时性、小体积和低功耗的要求, 建立了由两层卷积层和一层全链接层构成的浅层卷积网络, 选用Xilinx ZYNQSoC 芯片作为硬件平台, 通过基于HLS技术和SDSoC开发环境将卷积操作放在端进行硬件并行加速.缩比模拟试验结果验证了该方法具有较高的目标识别精度, 对复杂背景下的装甲目标也能有效识别.ZYNQSoC的PL硬件相较于普通CPU方案, 加速性能提升了5倍, 能够满足弹载的要求.
线阵激光雷达 目标识别 卷积神经网络 末敏弹 硬件加速 Linear array LiDAR Target recognition Convolutional neural network Sensitive sub-ammunition Hardware acceleration
1 厦门大学航空航天学院, 福建 厦门 361005
2 厦门大学化学化工学院, 福建 厦门 361005
用于食品安全、 环境污染、 毒品、 化学战剂检测等的现场快速检测要求检测设备便携、 快速和准确。 目前的常规实验室检测方法虽然能够实现准确检测, 但是其实时性较差, 无法满足现场快速检测的要求。 因此, 设计开发了基于等离激元增强拉曼光谱的便携式快速检测仪, 能够实现对滥用添加剂、 违禁食品添加剂、 农药残余、 毒品、 化学战剂和环境水污染等大量有害物质的现场快速定性检测。 该检测仪基于ARM嵌入式系统开发, 编写了其操作交互界面和底层驱动程序, 实现了拉曼光谱数据自动标定和特征谱图快速识别等算法。 在仪器中搭建了检测物质拉曼光谱的标谱数据库, 数据库根据检测科目进行分类, 每种科目包含该类别的多种物质, 每种物质均包含其高中低多种浓度的标准品和样本谱图。 设计实现了大类科目的辨识比对算法和GPU硬件加速算法, 实现了对某一类科目的所有物质的快速比对, 与传统的纯CPU算法实现相比较, 在辨识速度上提高了20倍以上。 通过市场购买的功能饮料、 违规葡萄酒与果汁等实际样品对所制备的样机仪器进行测试, 测试结果符合预期, 具有良好的灵敏度与重现性, 满足了现场快速检测的要求。
拉曼光谱 快速检测仪 便携式 GPU硬件加速 Raman spectroscopy Rapid detecting instrument Portable GPU hardware acceleration 光谱学与光谱分析
2017, 37(12): 3730
中国科学院上海技术物理研究所 上海市现场物证重点实验室, 上海 200083
针对现有编码矩阵存在的不足, 提出了一种编码孔径成像光谱系统编码矩阵设计方法。首先阐述了称重设计原理和优良性准则; 然后研究了单矩阵编码方法和互补矩阵编码方法, 并推导得到H+N/H-N双矩阵编码的平均均方误差性能公式; 最后基于数字微镜器件(DMD)结构特点, 提出SN单矩阵和H+N/H-N双矩阵相结合的双模式编码方法, 以及共享硬件加速处理资源的解码方法。实验结果表明, 新方法相比原有编码矩阵能够进一步提高信噪比, 同时解码加速处理保证了实时性能。
编码孔径 信噪比 实时性 数字微镜器件 硬件加速 coded aperture signal-to-noise ratio real-time performance digital micromirror device hardware acceleration
哈尔滨工业大学电气工程及自动化学院，黑龙江 哈尔滨 150001
在高速运动目标的视觉测量中，高分辨率、高帧频的图像序列带来了大量待处理数据，如何快速地从这些数据中识别合作目标并提取其特征信息，成为高速视觉测量中的难题。对此，针对高速相机每个时钟周期多像素并行传输的数据特点，提出一种基于多维金字塔的硬件加速处理结构，实现连通域的全局搜索与标记，并根据标记结果完成对应特征的实时提取。在现场可编程逻辑门阵列中，通过金字塔结构的二维处理节点阵列与多标签特征统计的一维处理阵列，将数据流的高密度运算均衡分布于各运算节点，结合流水线并行，将视觉系统中占据较高耗时的全局搜索与标记过程在图像传输中同步实现。通过功能验证与实时性分析，该特征提取的分布式运算结构可在CameraLink接口85 MHz的时钟频率下，实现680 Mpixel/s的数据流实时处理，可作为预处理部分应用于高速视觉测量系统。
机器视觉 点特征提取 连通域标记 分布式运算 硬件加速 高速视觉测量
