車載目標(biāo)檢測(cè)系統(tǒng)作為自動(dòng)駕駛中的重要組成部分,可有效降低交通事故的發(fā)生。以卷積神經(jīng)網(wǎng)絡(luò)為代表的目標(biāo)檢測(cè)算法相較淺層機(jī)器學(xué)習(xí)算法在檢測(cè)精度方面有了明顯提升,但也為低功耗、小型化的嵌入式實(shí)現(xiàn)帶來(lái)了困難。文中使用多核異架構(gòu)ZYNQ-SOC平臺(tái),采用軟硬件協(xié)同設(shè)計(jì)的原則,設(shè)計(jì)了一款車載目標(biāo)檢測(cè)系統(tǒng)。針對(duì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜的問(wèn)題,提出了一種軟硬件劃分的改進(jìn)方法;針對(duì)運(yùn)算量巨大的問(wèn)題,提出了使用FPGA算法實(shí)現(xiàn)卷積運(yùn)算的并行加速。試驗(yàn)結(jié)果表明,該系統(tǒng)設(shè)計(jì)在各種復(fù)雜路況和光照條件下檢測(cè)結(jié)果準(zhǔn)確,在功能上體現(xiàn)了良好的魯棒性。在加速性能方面,相對(duì)于ARM cortex-A9吞吐量提高了百倍級(jí),運(yùn)算效能也達(dá)到了60倍左右。在檢測(cè)精度方面,使用YOLOv2算法在不同檢測(cè)場(chǎng)景下準(zhǔn)確率和覆蓋率均超過(guò)80%。系統(tǒng)的各項(xiàng)指標(biāo)達(dá)均到了項(xiàng)目設(shè)計(jì)要求,滿足了車載目標(biāo)檢測(cè)的應(yīng)用需求。 

【文章來(lái)源】：機(jī)械設(shè)計(jì). 2020,37(S1)北大核心CSCD

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

目標(biāo)檢測(cè)系統(tǒng)框圖

通過(guò)統(tǒng)計(jì)YOLO模型的計(jì)算流程，卷積運(yùn)算的計(jì)算量占比大于90%，而參數(shù)數(shù)量占比大于90%的全鏈接層同樣被卷積和池化操作代替，因此硬件加速的目標(biāo)主要針對(duì)基于乘加運(yùn)算的卷積過(guò)程。卷積操作由乘加運(yùn)算構(gòu)成，非常適合使用FPGA對(duì)其進(jìn)行并行化操作，最大池化通過(guò)邏輯比較也能很好的實(shí)現(xiàn)。通過(guò)預(yù)先定義內(nèi)存偏移地址來(lái)執(zhí)行YOLO模型中各種數(shù)據(jù)的交叉計(jì)算。目標(biāo)檢測(cè)算法的由串行到硬件加速的并行化轉(zhuǎn)換如圖2所示。2.2 FPGA加速設(shè)計(jì)

FPFA硬件加速設(shè)計(jì)如圖3所示。加速器延遲主要由3部分構(gòu)成：訪問(wèn)存儲(chǔ)器的延遲、芯片上傳輸?shù)难舆t及計(jì)算的延遲。根據(jù)加速器的體系結(jié)構(gòu)，它必須分為4個(gè)部分：輸入輸出、權(quán)重加載、算法運(yùn)算和結(jié)果返回部分。


本文編號(hào)：3235301