摘 要：目前在环保行业生产中面临着多种原料的识别和分类难题，部分原料可以无公害焚烧，部分原料禁止焚烧。目前现状是，在原料的识别和分类上，严重依赖人工，在分类的结果上存在正确率不够，效率不高的情况。依赖人工还导致有毒有害原料对员工健康的损害，以及识别错误带来的人身安全、设备损坏的生产安全责任事故等。为此采用一种基于人工智能算法的图像识别分类器，对环保工业中的原料进行识别分类，是一种非常有意义的尝试。
　　關键词：DSP;FPGA;垃圾分类;环保工业;图像识别;目标分类
　　0 引言
　　 在现有的环保工业中，垃圾分类严重依赖人工，且原料分类简单粗暴，主要分为金属、塑料、可燃烧、禁止燃烧和有害垃圾。不仅垃圾回收和焚烧企业对垃圾处理不及时导致的堆放、存储非常头疼，而导致城市垃圾不得不大量采用填埋、堆放、随意焚烧等措施。有害垃圾跨省运输填埋、随意丢弃焚烧、偷排投放垃圾损害居民健康的新闻屡见报端。为此，在固体垃圾分类环节中设想这样一个场景：传送带上的原料多种多样，大小、形状、体积、重量等特征各不相同，使用摄像头、称重器、X射线、红外、金属探测器、激光测量等方式采集原料的多种特征，由识别分类器实时完成对原料的识别和分类，并控制执行机构将原料分类至对应的存储区。其中视频采集的信息最多，使用神经网络算法的图像识别分类器将大展拳脚，对图像中目标实现精准识别和分类。
　　1 硬件设计
　　 本文以DSP和FPGA为核心器件，DSP是单核主频高达1 GHZ的8核处理器，拥有多级缓存，运算能力高达128 Gflops，而选用的FPGA具有多路单线28 Gb/s高速接口，高达3 600个DSP核，可进行时钟频率高达250 MHz的浮点运算。该目标识别板的硬件原理示意图如下图1所示，DSP与FPGA之间采用4xSRIO高速通信。DSP为主处理器，负责复杂的公式计算和图像预处理;FPGA为从处理器，负责外部接口通信，神经网络卷积加速和部分AI算法实现。
　　2 软件设计
　　 该分类器软件包含上位机软件、DSP软件和FPGA软件，上位机软件控制DSP软件加载模板匹配、CNN神经网络、YOLOV3等AI算法，并由DSP预处理图像后，发送给FPGA软件实时进行神经网络加速运算，并将结果实时传送给显示器，同时控制执行机构完成动作，目标识别板的软件流程图如图2所示。
　　2.1 DSP软件设计
　　 DSP软件具备多种AI算法实现，选定算法后，配置FPGA。接收FPGA传递的图像完成预处理，预处理结果发送给FPGA，启动FPGA完成卷积加速算法，由FPGA计算输出相应的识别分类结果并输出到视频接口，同时控制执行机构完成相应分拣分类。
　　2.2 FPGA软件设计
　　 FPGA实现AI算法中的卷积层加速的同时，还完成接口匹配、数据采集和传输、数据重排、逻辑运算和流水线控制等功能。在卷积层加速的设计中，FPGA使用2 648个DSP完成对输入图像最大1 024*1 024像素点的卷积层加速运算。
　　2.3 上位机软件设计
　　 上位机软件采用QT编写，安装在linux或windows中，通过网络、串口或PCIE控制分类器实现实时图像识别和分类，同时显示识别分类结果。
　　3 结语
　　 本设计主要针对环保工业中目标物体识别分类的痛点，提出一种基于DSP+FPGA的实时图像识别和分类器的设计实现，是切实可行且具有广阔应用前景的思路和方法。针对特定场景进行优化，还将进一步提高可用性和可靠性。如今人工智能如火如荼，神经网络算法广为流行，将这种新技术引入环保工业和垃圾分类中，必将给环保工业带来效率和利润的极大提升。同时，图像识别分类器在安检、交通、视频情报分析、工业机器视觉等行业应用，将有更加广阔的前景。
　　参考文献：
　　[1]何宾，张艳辉.Xilinx Zynq-7000嵌入式系统设计与实现[M].电子工业出版社，2016.