基于Zynq平台的水下目标识别关键技术研究

发布时间：2023-09-14 00:21

　　随着各国对水下探测活动的深入开展,应用需求不断扩大。在军事领域,对水环境中可能存在的危险目标如水雷进行排查是确保水下安全性的重要环节。由于模板匹配、支持向量机等传统方法在水下目标识别中往往存在识别精度较低、重建过程复杂等问题,需要寻找更优的方法提高识别率及对图像变换的适应性。大数据时代的到来使得深度学习方法逐渐替代了传统的目标识别方法,卷积神经网络(Convolutional Neural Networks,CNN)作为深度学习算法的重要分支也逐步应用于水下目标的识别。CNN对于图像的位置平移、比例缩放、角度倾斜、空间旋转等各种形式的变换均有良好的适应性,且网络采取端对端模式,避免了复杂的重建过程。但为了得到更高的精度,CNN模型的计算量和参数量不断扩大。在探测过程中,大量计算及参数存储会对设备的功耗及实时性提出极大的挑战。针对上述问题,本文选取了识别率较高、计算量和参数量较小的卷积神经网络MobileNet作为水下目标识别的基础架构,并提出了基于深度可分离卷积的并行化加速框架。同时采用复用和可配置性设计的形式将资源和功率消耗尽可能降低,以满足无人潜航器等搭载环境对设备便携性及低功耗的...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 国内外研究现状
        1.2.1 水下目标识别技术研究现状
        1.2.2 卷积神经网络研究现状
        1.2.3 卷积神经网络的FPGA加速研究现状
    1.3 本文主要工作
第2章 相关理论与技术分析
    2.1 模型分析
        2.1.1 目标检测模型
        2.1.2 MobileNet前向传播模型
    2.2 MobileNet前向传播算法分析
        2.2.1 标准卷积
        2.2.2 深度卷积
        2.2.3 点卷积
        2.2.4 深度可分离卷积
        2.2.5 批量归一化
        2.2.6 RELU激活函数
        2.2.7 Padding实现
    2.3 量化策略和精度损失估计
        2.3.1 卷积层量化策略
        2.3.2 批量归一化层量化策略及参数处理
    2.4 本章小结
第3章 并行计算方案及硬件加速设计
    3.1 计算并行性分析
    3.2 标准卷积并行化方案及硬件结构设计
        3.2.1 标准卷积并行化方案
        3.2.2 标准卷积硬件加速设计
        3.2.3 归一化及RELU激活函数结构设计
    3.3 深度卷积并行化方案及硬件结构设计
        3.3.1 深度卷积并行化方案
        3.3.2 深度卷积硬件加速设计
    3.4 点卷积并行化方案及硬件加速设计
        3.4.1 点卷积并行化方案
        3.4.2 点卷积硬件加速设计
    3.5 MobileNet层间运算并行方案
    3.6 本章小结
第4章 基于ZYNQ平台的水下目标识别系统设计
    4.1 系统架构方案
    4.2 可配置性设计
        4.2.1 可配置图像读入时序模块设计
        4.2.2 可配置卷积数据读取模块设计
        4.2.3 可配置权重读入时序控制模块设计
        4.2.4 数据缓存裁剪模块设计
    4.3 时序控制及不同压缩程度架构配置设计
    4.4 本章小结
第5章 系统测试与分析
    5.1 SSD MobileNet架构适应性测试
    5.2 架构时序控制的优化
        5.2.1 卷积层间串行计算为主的时序策略
        5.2.2 卷积层间并行计算为主的时序策略
    5.3 实验结果分析及比较
    5.4 展望
    5.5 本章小结
结论
参考文献
致谢



本文编号：3846186