基于Zynq和卷积神经网络的道路目标检测研究

发布时间：2023-05-25 02:19

　　近年,随着汽车在生活中的普及,人们越来越关注智能辅助驾驶技术,而道路目标检测能力是智能辅助驾驶技术实用化的关键环节。在车载嵌入式设备中采用神经网络进行道路目标检测成为当前研究热点。但仅在ARM上使用神经网络算法对道路目标检测的识别效率并不高。本文采用在Zynq上优化神经网络的方式,来提高道路目标检测效率。主要研究内容包括:(1)道路目标检测:采用Tiny-YOLO模型对道路中的交通目标进行检测。研究过程中对训练数据集进行了标定,并且使用不同位数的定点数代替浮点数,对定点化操作对模型的准确率以及训练的影响进行了分析。(2)卷积神经网络的Zynq实现:使用HLS设计前向传播模块,实现了基于FPGA的卷积神经网络IP核,之后对卷积运算进行了定点优化以及流水线优化等;(3)嵌入式系统实现:使用软硬件协同设计的办法,向Zedboard中移植Pynq项目,在Zynq芯片的可编程逻辑部分构建图像传输模块和硬件卷积神经网络IP核。最终将图像采集、道路目标检测和图像显示三部分功能整合到了一个嵌入式系统中。本系统使用嵌入式Zynq实现量化神经网络,完成了对道路目标的采集、检测功能,在系统测试中能够检测出汽...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 道路目标检测研究国内外研究现状
        1.2.2 卷积神经网络的硬件实现国内外发展现状
    1.3 论文的主要研究内容
    1.4 论文组织结构
第二章 交通目标检测系统需求分析及总体设计
    2.1 系统需求分析
    2.2 系统总体结构
    2.3 系统平台
        2.3.1 Zedboard
        2.3.2 摄像头模块
    2.4 开发工具
    2.5 系统开发流程
    2.6 本章小结
第三章 卷积神经网络的设计与训练
    3.1 卷积神经网络
        3.1.1 神经网络结构
        3.1.2 YOLO模型
    3.2 基于量化Tiny-YOLO的道路目标检测
        3.2.1 卷积神经网络量化分析
        3.2.2 卷积神经网络并行性分析
    3.3 卷积神经网络训练
        3.3.1 训练集标定
        3.3.2 神经网络训练
    3.4 检测结果与分析
    3.5 本章小结
第四章 道路目标检测系统的设计与实现
    4.1 神经网络IP核设计
    4.2 神经网络IP核优化
        4.2.1 流水线优化
        4.2.2 循环展开优化
        4.2.3 定点化设计
    4.3 嵌入式系统移植
        4.3.1 交叉编译
        4.3.2 Pynq移植
        4.3.3 Open CV移植
        4.3.4 神经网络框架移植
    4.4 嵌入式软件实现
        4.4.1 嵌入式系统结构
        4.4.2 软件实现过程
        4.4.3 软硬件综合调试过程
    4.5 本章小结
第五章 系统测试与验证
    5.1 测试环境搭建
    5.2 神经网络硬件测试
    5.3 嵌入式平台环境测试
        5.3.1 道路目标采集测试
        5.3.2 神经网络模块测试
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
个人简历、在学期间的研究成果及发表的学术论文



本文编号：3822743