计算机视觉在工业物联网领域发挥着不可忽视的作用。计算机视觉中最关键部分是图像采集和图像识别,深度卷积神经网络算法由于其较高的识别精度成为图像识别算法的首选。在实际应用中通常使用GPU对神经网络算法进行加速,但消耗了较大的功耗,因而限制了其在资源和功耗有限的移动嵌入式平台中的应用。本文利用全可编程SoC平台对基于卷积神经网络加速器的图像识别系统进行设计,该SoC为ARM+FPGA架构平台,具有高性能、低功耗和可编程逻辑资源丰富等特点。本文中图像识别系统主要包括图像采集系统和CNN加速器,图像采集系统实现视频图像数据的采集与存储,采集帧率最大可达30fps。CNN加速器通过加速CNN算法的前向推测过程来实现图像的快速识别。由于CNN算法具有高计算量和高访存量的特点,因此提高运算的并行度和数据传输带宽是加速器设计的关键所在。基于上述思路,本文设计了完整的CNN加速器,主要包括专用计算单元、指令控制单元、存储控制模块、扩展运算单元等。文中设计了32x7定点计算阵列与特定数据通路,提高加速器的运算速度和内存带宽。针对权重压缩和网络的稀疏性,本文提出了一种特殊存储方式,并设计权重地址生成模块对压缩后的权重进行解压缩。针对步长大于1时输入数据复用低的缺点,本文提出一种输入数据滑动窗口步长变换为1的方法,该方案能最大程度地利用硬件并行性和数据通路复用,可减小计算量巨大的输入层运算时间和功耗消耗。本文最后采用Xilinx Zynq-706开发板对图像识别系统进行实现与验证,并利用训练好的图片分类应用,在100Mhz的时钟频率下,计算速度可达30fps,功耗仅为2.371W。