面向小型边缘计算的深度可分离神经网络模型与硬件加速器设计

神经网络参数量和运算量的扩大,使得在资源有限的硬件平台上流水线部署神经网络变得更加困难。基于此,提出了一种解决深度学习模型在小型边缘计算平台上部署困难的方法。该方法基于应用于自定义数据集的深度可分离网络模型,在软件端使用迁移学习、敏感度分析和剪枝量化的步骤进行模型压缩,在硬件端分析并设计了适用于有限资源FPGA的流水线硬件加速器。实验结果表明,经过软件端的网络压缩优化,这种量化部署模型具有94.60%的高准确率,16.64 M的较低的单次推理定点数运算量和0.079 M的参数量。此外,经过硬件资源优化后,在国产FPGA开发板上进行流水线部署,推理帧率达到了366 FPS,计算能效为8.57 GOPS/W。这一研究提供了一种在小型边缘计算平台上高性能部署深度学习模型的解决方案。

基于FPGA的全自动定位捡乒乓球机器人系统设计

对现有电子辅助的运动器材行业进行分析可以发现,目前市场上应用于场馆训练的大量散落乒乓球主要依靠人力或者简单的工具拾捡,而已有的捡乒乓球机器人很多智能化程度不高、识别不够精确。为此,提出一种基于FPGA(Field Programmable Gate Array)的全自动定位捡乒乓球机器人的系统设计方案,利用摄像头采集机器人前方的图像数据实现乒乓球定位,利用超声波传感器实现机器人的自动避障,利用机械臂完成抓取乒乓球动作。图像识别乒乓球的部分创新性地将Hough变换算法硬件化,有效提高识别率和捡球速度。测试结果表明,机器人在定制测试条件下可以达到97.8%的识别准确率,具有自动寻球、自动捡球、自动避障以及手机蓝牙便捷开关机的功能。系统可以快速方便应用到乒乓球球馆中,市场潜力很大。

基于图像噪声源的单粒子布朗运动模拟

传统的显微镜观察花粉难以演示和复现微观粒子复杂的布朗运动。提出一种基于图像噪声源模拟单粒子布朗运动实验方法。通过小波变换提取图像噪声,并产生二进制随机数。以随机数作为数据源,通过现场可编程逻辑门阵列控制小车实现模拟单粒子布朗运动,通过超声波测距法或梯形校正法测量获得小车运动数据并分析其随机性。该实验提取并验证了图像噪声的随机性,又使用简易小车运动演示出来,实验装置成本较低,使用便捷,实验结果直观。