收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于PYNQ的图像分类识别技术研究与实现

杨雨诺  
【摘要】:图像分类识别作为人工智能领域的重要组成部分,有着广阔的应用前景和重要的研究意义。卷积神经网络模型是图像分类识别中应用非常广泛的技术手段并且已经在CPU和GPU平台上实现了部署,但是高功耗的缺陷使得CPU和GPU无法应用于目前的嵌入式移动终端场景中。近年来,新的研究热点聚焦在如何低功耗实现图像分类识别系统。本文提出一种基于卷积神经网络的图像分类识别系统方案,该方案研究基于ARM+FPGA异构系统的实现方法,系统搭载于Xilinx的PYNQ-Z2(Python productivity for Zynq)嵌入式开发平台。通过软硬件协同设计思路规划软硬件工作任务,制定系统性能指标,最终搭建PYNQ图像分类识别系统。该系统可以通过编辑上位机程序读取不同数据集的特征参数实现对不同数据集的识别,不仅显著提高了系统的通用性,而且在满足分类识别功能的前提下大幅降低了硬件功耗。论文中主要的研究工作包括以下方面:首先,对整体系统进行分析,通过软硬件协同设计思路明确功能模块,完成任务划分。在处理系统(Process System,PS)部分,通过Jupyter Notebook平台基于Python实现上位机程序二进制特征参数的读取以及对硬件的控制。在可编程逻辑(Programmable Logic,PL)部分,实现卷积神经网络的模块设计和系统通路搭建。在理解卷积神经网络算法的基本原理后,在电脑端对待测试的MNIST数据集和CIFAR-10数据集进行卷积神经网络模型搭建,完成训练验证最终得到MNIST模型和CIFAR-10模型的准确率分别为99.06%和62.25%,随后设计特征参数提取函数完成权重和偏执参数的提取及格式转换,转换为硬件平台可以进行读取的二进制格式。接着使用Xilinx VIVADO HLS(High Level Synthesis,HLS)设计工具,设计实现图像分类识别系统中卷积神经网络的自定义IP核模块,包括卷积层IP核以及最大池化层IP核,利用HLS工具中的优化指令进行组合对比测试,最终综合得到符合设计目标的IP核模块。在完成自定义IP核的设计之后,以IP核模块和ZYNQ模块为主实现整体系统的通路搭建,完成验证后在Jupyter Notebook中通过上位机程序调用控制。最后,完成驱动程序及系统上位机的设计并对系统进行功能及性能测试。通过测试得到系统在对MNIST和CIFAR-10数据集的识别上可以实现正常的分类,系统功耗的参数为1.54W。测试结果表明仅需通过不同的特征参数文件并编辑上位机程序就可以实现系统的通用设计目标,系统功耗则远远低于CPU等传统平台的功耗,证明了基于PYNQ的图像分类识别系统的可行性。


知网文化
【相似文献】
中国期刊全文数据库 前17条
1 李会民;马桂英;王延仓;;基于深度学习网络的水质图像分类[J];北华航天工业学院学报;2018年04期
2 谢小红;李文韬;;基于迁移学习的图像分类训练方法研究[J];信息与电脑(理论版);2020年07期
3 陶筱娇;王鑫;;基于深度学习算法的图像分类方法[J];微型电脑应用;2019年03期
4 彭娟;;特征选择和聚类分析的图像分类模型[J];现代电子技术;2017年19期
5 田凯;杜鹏;;基于C#的图像分类系统实现[J];数码世界;2017年08期
6 王科平;张志刚;;基于特征加权的自动图像分类方法[J];微型电脑应用;2014年01期
7 谢小红;陆建波;李文韬;刘春霞;黄华梅;;基于迁移学习的服装图像分类模型研究[J];计算机应用与软件;2020年09期
8 林泽文;;深度学习及其在图像分类识别中的运用探讨[J];信息与电脑(理论版);2018年12期
9 宋丹;张育钊;;基于卷积神经网络和胶囊神经网络的宫颈病变图像分类方法研究[J];无线互联科技;2020年07期
10 白小军;刘颖;申宇飞;周冬;;深度学习在现勘图像分类中的应用[J];西安邮电大学学报;2018年05期
11 吴健;贾宏宇;;基于迁移学习的图像分类方法研究[J];河南科技;2018年31期
12 武慧琼;张素兰;张继福;胡立华;;一种基于三支决策的花卉图像分类[J];小型微型计算机系统;2019年07期
13 李舒;吴磊;;数据挖掘在医学图像分类中的应用[J];医学信息学杂志;2014年08期
14 朱赟,吴炜;图像分类中变形决策树的应用[J];计算机工程与应用;2004年21期
15 龚安;姚鑫杰;杜波;李维浩;;基于集成学习与生成对抗网络的皮肤镜图像分类方法[J];科学技术与工程;2021年03期
16 许少尉;陈思宇;;基于深度学习的图像分类方法[J];电子技术应用;2018年06期
17 李玥;;基于大数据分析技术的激光图像分类和识别研究[J];激光杂志;2020年08期
中国重要会议论文全文数据库 前20条
1 王向月;潘杰;;基于多模型生成特征的零样本图像分类[A];第31届中国过程控制会议(CPCC 2020)摘要集[C];2020年
2 肖白云;孔毅;;基于注意力生成对抗网络的半监督图像分类[A];第31届中国过程控制会议(CPCC 2020)摘要集[C];2020年
3 刘颖;张倩楠;董海涛;程美;刘红燕;王富平;范九伦;;基于自适应权重CNN特征融合的现勘图像分类方法[A];2017-2019年“学术金秋”获奖论文集[C];2020年
4 吴楠;李晓曦;宋方敏;;图像挖掘及其在医学图像分类中的应用[A];2006年全国理论计算机科学学术年会论文集[C];2006年
5 朱松豪;刘佳伟;胡荣林;;一种图像分类的新方法[A];第26届中国控制与决策会议论文集[C];2014年
6 文振焜;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年
7 武文;李昊;王晓军;吴永辉;;极化误差对图像分类的影响分析[A];全国第20届计算机技术与应用学术会议(CACIS·2009)暨全国第1届安全关键技术与应用学术会议论文集(上册)[C];2009年
8 范海地;谢凤英;;基于卷积神经网络的皮肤镜图像分类[A];第十五届中国体视学与图像分析学术会议论文集[C];2017年
9 凌瑾;许武军;范红;禹素萍;;基于PYNQ平台的对抗攻击算法的边缘实现[A];2020中国自动化大会(CAC2020)论文集[C];2020年
10 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集(研究报告篇)[C];2007年
11 佘杰;;基于BP神经网络的煤岩图像分类识别[A];第23届全国煤矿自动化与信息化学术会议暨第5届中国煤矿信息化与自动化高层论坛论文集[C];2013年
12 芦颖;倪维平;严卫东;边辉;;基于改进极化目标分解算法的POLSAR图像分类[A];国家安全地球物理丛书(十一)——地球物理应用前沿[C];2015年
13 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集(研究报告篇)[C];2003年
14 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年
15 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年
16 刘杰;杜军平;;基于Relief-F特征加权支持向量机的语义图像分类[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
17 王瑞祥;;利用小波分析对岩石图像分类[A];2017年7月建筑科技与管理学术交流会论文集[C];2017年
18 金兢;尹中航;蓝强;;利用遗传算法实现特征的快速优化[A];2005年中国智能自动化会议论文集[C];2005年
19 蒋渝;董海挺;顾军军;;多级图像分类规则在冷轧表面缺陷检测仪上的应用[A];中国冶金——“创新创意,青年先行”第七届中国金属学会青年学术会论文集[C];2014年
20 蒋渝;董海挺;顾军军;;多级图像分类规则在冷轧表面缺陷检测仪上的应用[A];2014年全国轧钢生产技术会议文集(下)[C];2014年
中国博士学位论文全文数据库 前20条
1 张璐;基于深度空间特征学习的极化SAR图像分类[D];西安电子科技大学;2019年
2 杨宝庆;基于字典学习的图像分类算法及应用研究[D];上海交通大学;2017年
3 唐芃;基于弱监督学习的物体检测及其在图像分类中的应用[D];华中科技大学;2019年
4 郑昱;面向大规模图像分类的层次化多任务学习算法研究[D];西安电子科技大学;2017年
5 郭雨薇;基于超像素表征和模糊特征学习的图像分类与识别[D];西安电子科技大学;2017年
6 李晓;基于迁移学习的跨域图像分类方法研究[D];西安电子科技大学;2017年
7 滑文强;小样本下的极化SAR图像分类问题研究[D];西安电子科技大学;2018年
8 张姝茵;基于判别性特征学习的极化SAR图像分类[D];西安电子科技大学;2018年
9 丁拥科;基于先验信息辅助的高分辨率SAR图像分类方法研究[D];上海交通大学;2017年
10 侯赛辉;图像物体的精细化分类方法研究[D];中国科学技术大学;2019年
11 吕恩辉;基于卷积神经网络的图像分类研究[D];中国矿业大学;2019年
12 胡慧君;带钢缺陷图像分类中的智能算法研究[D];武汉大学;2015年
13 常合友;基于字典学习的图像分类研究[D];南京理工大学;2017年
14 罗长志;多类别图像分类的关键技术研究[D];合肥工业大学;2017年
15 谢雯;基于判别字典学习和自编码网络的极化SAR图像分类[D];西安电子科技大学;2017年
16 葛昊;基于深度学习的图像分类方法研究[D];电子科技大学;2020年
17 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年
18 宋建强;基于特征表示与编码的图像分类技术[D];西安电子科技大学;2019年
19 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年
20 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年
中国硕士学位论文全文数据库 前20条
1 杨雨诺;基于PYNQ的图像分类识别技术研究与实现[D];南京邮电大学;2020年
2 吴军;基于正负模糊系统的图像分类的研究及其应用[D];江南大学;2012年
3 侯超群;主动学习策略研究及其在图像分类中的应用[D];厦门大学;2019年
4 包旭;基于深度学习的医学图像分类研究[D];吉林大学;2018年
5 崔羽帆;基于特征融合及聚类优化的词汇树图像分类[D];武汉大学;2019年
6 周朋辉;基于机器学习的全天空极光图像分类与割方法研究[D];陕西师范大学;2019年
7 李代远;深度卷积信念网络在颅内CT图像分类中的应用[D];湖南师范大学;2017年
8 黄旭进;多层前向神经网络学习算法及其在图像分类中的应用[D];中国计量大学;2018年
9 肖志鹏;基于卷积神经网络的绘画图像分类研究[D];中国计量大学;2018年
10 易慧;基于三流卷积神经网络图像分类算法的研究[D];江西理工大学;2019年
11 陈龙;基于标签关联的图像分类方法研究[D];合肥工业大学;2019年
12 江迪;基于深度学习的多标签图像分类方法研究[D];合肥工业大学;2019年
13 姚旭晨;基于深度迁移学习的图像分类方法研究[D];合肥工业大学;2019年
14 黄文英;偏标记学习算法及其在图像分类中的应用研究[D];北京交通大学;2019年
15 戴志鹏;基于CNN的目标区域提取和细粒度图像分类的研究[D];南宁师范大学;2019年
16 伍永;卷积神经网络的改进及其在图像分类中应用研究[D];南宁师范大学;2019年
17 麻峻玮;基于深度卷积神经网络的细粒度图像分类应用研究[D];东北林业大学;2019年
18 刘真三;基于卷积稀疏表示和卷积神经网络的商品图像分类[D];重庆邮电大学;2018年
19 于佳龙;面向移动设备的图像分类任务功耗优化研究[D];西北大学;2019年
20 田霞;基于元学习的少样本图像分类方法研究[D];电子科技大学;2019年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978