随着人工智能的热潮,基于深度学习的目标检测技术,在学术研究和市场应用上均有了巨大的跃进。然而,纵观目标检测技术的发展,始终受到硬件平台的制约。现如今,虽然GPU的快速发展解决了CPU并行度低、计算速度慢的问题,但是其本身却存在着功耗大的缺点,严重制约了目标检测技术在嵌入式领域的发展和应用。其他可用的硬件平台还有ASIC和FPGA。然而,ASIC开发周期长、价格昂贵,且不利于后期维护升级。相比之下,FPGA则有着并行度高、功耗小和可重配置的优点。鉴于此,本文深入探讨了基于卷积神经网络的目标检测技术及基于FPGA的硬件加速技术,提出了基于异构FPGA的高分辨率便携式通用实时目标检测装置。在系统时钟为150MHz的情况下,功耗仅为2.745 W,吞吐率达到39.15 GOP/s,是嵌入式CPU ARM-A9的145倍。此外,随着智慧农业的发展,本文为了探讨本装置在农业方面的应用价值,以成熟草莓和水稻病害的识别为例,研究了本装置的应用流程及方法,分析了本装置在应用方面的性能和优缺点,提出了对于未来应用的展望。实验结果显示对成熟草莓的识别m AP达到了95.1%,而对水稻病害的识别m AP则达到了93.4%。本文的主要工作如下:1)研究了基于卷积神经网络的目标检测算法原理,并从理论上分析了其应用硬件加速的可行性;研究了FPGA用于硬件加速器的原理和优势。研究了YOLO v2算法模型的原理,并提出改进passthrough结构以提高检测精度的方法。2)基于Xilinx公司Zynq7020异构FPGA平台,设计并优化了硬件加速器。介绍了卷积循环展开、卷积分块、循环交换、流水线设计、乒乓缓冲设计、参数量化、数据复用、层融合和HLS设计技术,并引入了参数重排序和outstanding技术。3)研究了硬件加速器的应用流程和方法,包括训练、分离卷积核和bias、参数重排序、参数量化、环境配置和结果获取分析,比较了硬件加速器相对原PC平台的精度损失,并与CPU、GPU和FPGA平台分别比较了相关性能参数。实验表明,本设计与CPU相比有相当大的速度优势;与GPU相比有着很大的功耗优势;与当前基于FPGA平台开发的工作相比,性能也有所提升。最后将设计的硬件加速器应用于农业领域的目标检测,分别以水稻病害和成熟草莓的检测为例,详细介绍了数据集的采集与制作、训练与参数的处理和装置的配置与使用,并通过实验验证了硬件加速器的可行性。