青岛某污水处理厂深度处理单元运行优化研究

以青岛某污水处理厂深度处理系统为研究对象,对深度处理单元的处理效果进行分析研究,主要参数是悬浮物和总磷,通过对深度处理单元进出水质在线检测,找出各种参数之间的关系,指导混凝剂的投加,实现水质达标和节能减排的目的。

实时车牌识别边缘系统设计及FPGA实现

为解决边缘设备端车牌识别系统适应性差和识别率低的问题,提出一种基于深度学习处理单元(DPU)的车牌识别系统设计方法.该方法首先将车牌识别网络进行改造使其可在DPU上运行,并通过压缩与激励(SE)模块组合优化神经网络识别率.将DPU部署在现场可编程门阵列(FPGA)上,调用神经网络对视频图像进行车牌识别,设计出可兼顾新能源车牌的车牌识别系统.实验结果表明,以大规模数据集作为图像输入,车牌识别系统的平均识别准确率可达94.1%,运行速率可达4 ms.

转盘滤布滤池的SS去除效果应用研究

转盘滤布滤池是近年发展起来的一种新型表面过滤技术，在技术上可以替代传统的砂滤池，滤布滤池具有设计坚固紧凑、水头损失小、占地面积少、出水水质稳定、运行费用低等特点，可将其作为城市污水处理厂进一步提高水质的深度处理单元，是一种经济可行的工艺过程。本项目主要分析转盘滤布滤池对悬浮物的去除效果，以实际城市污水处理厂的滤布滤池进出水为研究对象，该厂采用具有脱氮除磷功能的改良AVO工艺。

基于DPU的低功耗嵌入式手势识别系统设计

为了解决嵌入式手势识别系统的速度慢和功耗高的问题,提出基于深度学习处理单元(deep-learning processor unit,DPU)的手势识别系统设计方法。通过把DPU部署于现场可编程门阵列(field programmable gate array,FPGA)器件,再调用ResNet-50网络对手势图片进行识别,设计并实现了一套低功耗的手势识别系统。实验结果表明,系统在工作频率为150 MHz时识别准确率为97.7%,运行速率可以达到129 GOPS,其能效比为26.3 GOPS/W,优于一些现有嵌入式FPGA神经网络手势识别实现方法。

基于Vitis-AI架构的语义分割ENET模型实现

随着人工智能(Artificial Intelligence,AI)在自动驾驶和可穿戴等复杂环境中得到广泛应用,一种高效率的语义分割模型成为神经网络模型重要的解决对象。以传统ENET网络模型为基础,提出改进ENET网络,可利用深度学习处理单元(DPU)内部的EeLU激活函数硬件模式减少参数以改进ENET网络,提高DPU的工作性能。通过搭建语义分割的Vitis-AI架构平台,完成构建量化模型和模型网络的训练学习。对比分析多种语义分割试验结果,改进ENET网络,使用更少计算资源达到最优精度,在ZCU106的硬件平台上进行部署,对改进ENET网络的性能进行分析,结果表明试验结果和仿真结果一致。

基于Vitis AI的语义分割网络加速器研究与实现

本文基于Xilinx Vitis AI对语义分割网络U Net进行网络定点化、深度学习处理单元DPU定制、软硬件协同优化等加速方法,最终在Xilinx ZCU102异构平台上实现了语义分割加速器的设计,在较低的精度损失下降低硬件资源消耗,完成了整个U Net网络的软硬件系统开发。实验结果表明,整个U Net网络硬件加速器的处理帧率可达42 fps,证明了该神经网络加速方案的有效性。