颗粒状农作物在储存和运输过程中容易出现表皮破损的现象,需要进行筛选和分类。利用卷积神经网络可以实现颗粒状农作物的特征提取和分类,受实际应用场景限制,对颗粒状农作物的筛选多在嵌入式平台中进行。本文选取花生作为典型颗粒状农作物,设计简化的卷积神经网络,并对网络模型通道剪枝,利用PYNQ平台的优势进行软硬件协同设计,实现颗粒状农作物分类简化网络在嵌入式平台的部署和硬件加速。首先,设计颗粒状农作物分类系统平台。搭建以GPU平台为处理核心的模型训练平台和以ZYNQ So C为核心的模型部署平台。采集表皮完整和破损的花生图像并进行预处理,进而构建图像数据集。其次,设计颗粒状农作物分类简化网络。依据经典网络构建常规的卷积神经网络对颗粒状农作物分类,基于深度可分离卷积、倒残差模块等思想设计适用于颗粒状农作物分类的简化网络,与现有的网络进行比较,改进的卷积神经网络分类准确率可达到98.80%,参数量仅为常规卷积神经网络参数量的2.3%。然后,提出颗粒状农作物分类网络通道剪枝算法。采用BN层的缩放系数度量通道的重要性,设计基于BN缩放系数的通道剪枝算法。通过分析常规卷积的逐层剪枝过程,提出深度可分离卷积和倒残差结构的逐层剪枝方法,并最终制定颗粒状农作物分类简化网络的通道剪枝策略。当剪枝率为0.7时,剪枝并微调后的网络模型分类准确率为97.7%,模型的参数量是初始模型的四分之一,运算量可达初始模型的十分之一。最后,设计网络模型的软硬件协同加速方案。针对卷积神经网络的算法原理,结合PYNQ平台的特点优势,设计颗粒状农作物分类轻量化网络的FPGA软硬件协同加速方案。利用Vivado HLS工具设计可复用的网络层IP核,包括常规卷积核、深度可分离卷积核、残差连接核和池化核,在PS端的顶层文件中对IP核多次调用,实现对卷积神经网络模型的硬件加速。将单张花生图片分别输入软硬件平台中测试,采用流水线优化的软硬件协同推理加速比可达1810倍。