基于FPGA加速CNN的低成本芒果外观品质检测装置

针对卷积神经网络(CNN)算法对硬件性能要求高,难以在成本低、性能受限的边缘设备上部署实现的问题,该研究综合考虑芒果外观品质检测的准确性,速度,功耗,成本等因素,设计开发了基于现场可编程门阵列(FPGA)加速CNN的品质分级检测装置。首先,设计了一种基于MobileNetV2的结构简单且高效的轻量级网络(Compact MobileNet,CMNet),通过压缩网络结构降低模型参数量和计算量,保证其在准确率可接受前提下,适合在边缘设备部署。其次,为了加快CMNet在成本和性能受限边缘设备上的执行速度,通过BN层融合和模型量化方法进一步减少模型的存储需求和计算量,同时设计实现了基于FPGA加速CMNet网络的硬件电路,并使用高层次综合(high-level synthesis,HLS)优化方法对加速电路进行并行优化。最后,基于FPGA开发板Zynq Z7-Lite 7 020,设计开发了芒果外观品质分级检测装置,装置集成OV5640摄像头,CMNet网络加速电路和HDMI显示器。在实验室环境下,将芒果外观品质依据中国芒果农业行业标准(NY/T 492-2002)分为3个等级,利用Dosehri芒果数据集对检测装置进行效果验证。结果显示本研究的芒果外观品质检测装置准确率达到了96%,检测速度为每帧0.072 s,功耗为2.6 W。表明该研究实现了一种低成本、低功耗、准确率高和速度快的芒果外观品质分级检测装置,能够进行芒果品质的实时动态分级检测。