论文部分内容阅读
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.
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.