基于深度学习的实时识别硬件系统框架设计

摘要：

设计了一种基于深度学习的实时识别硬件系统框架.该系统框架使用Keras完成卷积神经网络模型的训练并提取出网络的参数,利用ZYNQ器件的FPGA+ ARM软硬件协同的方式,使用ARM完成对实时图像数据的采集、预处理及显示,通过FPGA实现卷积神经网络的硬化并对图像进行识别,再将识别结果发送至上位机进行实时显示.系统框架采用MNIST和Fashion MNIST数据集作为网络模型硬化试验样本,实验结果表明,在一般场景下该系统框架能够实时、准确地完成图像数据的获取、显示及识别,并且具有可移植性高、处理速度快、功耗低的特点.

关键词：深度学习、卷积神经网络、ZYNQ、软硬件协同

所属期刊栏目：44

分类号：TP391(计算技术、计算机技术)

资助基金：贵州大学培育项目黔科合平台人才[2017]5788-60;贵州省功率元器件可靠性重点实验室开发基金项目KFJJ201602;贵州大学引进人才科研项目贵大人基合字201553号;贵州省普通高等学校智能物联网工程中心建设项目黔教合KY字[2016]016

在线出版日期：2018-10-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：11-14