时间：2025-03-17 来源：FPGA_UCY 关于我们 0
本发明专利技术公开了一种图像分类技术领域的基于FPGA的图像分类方法及系统，旨在解决现有技术中深度神经网络模块的巨大计算量及复杂的数据结构增加了FPGA端部署的难度，且运行效率低下等问题，其包括初始化系统、加载模型权重、获取图像数据、生成特征矩阵、显示结果等步骤。本发明专利技术提供的图像分类方法可以充分利用硬件资源，线性地减少基本卷积模块的计算量，达到提高运行效率的目标。提高运行效率的目标。提高运行效率的目标。
全部详细技术资料下载
【技术实现步骤摘要】
一种基于FPGA的图像分类方法及系统
[0001]本专利技术涉及一种基于FPGA的图像分类方法及系统，属于图像分类
技术介绍
[0002]图像分类是机器视觉的基本任务之一，深度神经网络模型因其分类速度快、准确率高而被广泛应用。深度神经网络模型的高准确率，往往以大量计算为前提，常用的运算形式有卷积、池化、激活等，实现这些运算的单元的参数一般采用四维的张量进行存储。
[0003]正是由于深度神经网络巨大的计算量以及复杂的数据结构，需要目标平台提供高可用内存和大算力的支持，增加了在FPGA端部署的难度，运行效率也大为降低。
技术实现思路
[0004]本专利技术的目的在于克服现有技术中的不足，提供一种基于FPGA的图像分类方法及系统，可以充分利用硬件资源，线性地减少基本卷积模块的计算量，达到提高运行效率的目标。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]一方面，本专利技术提供一种基于FPGA的图像分类方法，包括以下步骤：
[0007]S1、初始化系统：从设置文件中读取所需参数，对系统进行参数设置，通过模型定义设置文件，从而建立无权重的深度神经网络模型；
[0008]S2、加载模型权重：从设置文件中读取模型权值，根据展开法则生成各卷积单元的权值矩阵，收集权值矩阵中每个元素的符号位，组成各卷积单元的权值符号位矩阵；根据深度神经网络模型结构，对各卷积单元的权值矩阵及权值符号位矩阵进行排列；
[0009]S3、获取图像数据：读取图像数据，对其进行预处理得到数据矩阵，收集数据矩阵中各元素的符号位，组成数据符号位矩阵，将数据矩阵和数据符号位矩阵输入深度神经网络模型；
[0010]S4、生成特征矩阵：将所得数据符号位矩阵和权值符号位矩阵做同或运算，生成输出符号位矩阵，进而确定数据矩阵和权重矩阵的向量运算组；使用多个向量运算单元并行计算向量运算组，并将结果填充至输出符号位矩阵对应位置，得到特征矩阵；
[0011]将所述特征矩阵作为下一级卷积单元的输入，重复运算过程，直至到达深度神经网络模型的输出层；
[0012]S5、显示结果：重塑特征矩阵得到一维的特征向量，根据矩阵乘法规则生成向量运算组，使用多个向量运算单元并行计算向量运算组中的元素，按照索引顺序收集计算结果，得到输出向量；获取输出向量中最大值的位置标示，查表获得分类结果，并对结果进行显示。
[0013]进一步的，所述深度神经网络模型由主干网络和输出层组成，所述输出层由全连接层构成。
[0014]进一步的，所述输出层的权重由设置文件中直接读取得到，所述主干网络的各卷
积单元的权重需在从设置文件读取后用展开法则进行展开，所述所述展开法则为：
[0015][0016]其中，C
ou
，C
in
分别是卷积单元的输出通道数和输入通道数，而K
，K
分别是卷积核的高和宽。
[0017]进一步的，步骤S3中的图像数据从采集设备或设置文件中读取，所述预处理包括伽马变化、归一化操作以及图像展开，得到数据矩阵；
[0018]所述数据矩阵的维度为：
[0019][0020]其中，C是图像的通道数，H,W分别是图像的高和宽，N利用如下公式计算得出：
[0021][0022]其中，S是卷积单元的步幅，Kh，Kw是卷积核的高和宽。
[0023]进一步的，步骤S4中的向量运算组的计算过程具体为：遍历输出符号位矩阵，若元素的值全为二进制0，则转换为数值“0”；若元素的值包含二进制1，则根据矩阵运算法则，确定多个向量运算，得到向量运算组。
[0024]另一方面，本专利技术还提供一种基于FPGA的图像分类系统，包括图像采集装置、图像分类装置和存储介质，所述存储介质用于存储指令，所述图像采集装置用于采集图像，所述图像分类装置用于根据所述指令进行操作以执行上述任一项所述方法的步骤。
[0025]可选的，所述图像分类装置自下而上包括数据层、运算层和网络层，所述数据层用于提供数据基本结构和数据存储模型，所述运算层包括数据展开模块、矩阵同或运算模块和矩阵乘法运算模块，所述网络层包括卷积层、全连接层和基本卷积模块。
[0026]可选的，所述数据结构包括一维向量、二维矩阵和四维张量。
[0027]可选的，所述所述数据展开模块用于将输入的四维张量展开为一维向量，然后根据展开法则，将其重塑为二维矩阵；
[0028]所述矩阵同或运算模块通过逻辑门阵列实现两个矩阵元素的同或运算。
[0029]可选的，所述矩阵乘法运算模块包括矩阵同或运算模块、向量组生成器以及包含多个向量运算单元的运算器；
[0030]数据符号位矩阵和权值符号位矩阵作为矩阵同或运算模块的输入，得到数据矩阵和权值矩阵，所述数据矩阵和权值矩阵共同作为向量运算组生成器的输入，得到包含多个向量运算的向量运算组，根据向量运算组内元素的数目，调用多个向量运算单元并行计算。
[0031]与现有技术相比，本专利技术所达到的有益效果：
[0032]本专利技术提供的图像分类方法将卷积运算通过展开法则转化为矩阵运算；通过引入符号位矩阵及其位运算，确定矩阵运算的路径，生成向量运算组。使用多个向量运算单元并行计算向量运算组，以充分利用硬件资源，达到提高运行效率的目标；
[0033]本专利技术提供的图像分类系统，采用结构化的设计方法，系统自底向上地分成数据层、运算层和网络层。通过模块复用，并在网络层提供统一的接口，有效降低了在FPGA部署深度神经网络的难度；所提出的矩阵乘法运算模块及其方法，可以线性地减少基本卷积模块的计算量，达到降低功耗的目标。
附图说明
[0034]图1为本专利技术的一种实施例中基于FPGA的图像分类方法的流程示意图；
[0035]图2为本专利技术的一种实施例中基于FPGA的图像分类系统的数据存储模型的示意图；
[0036]图3为本专利技术的一种实施例中基于FPGA的图像分类方法的卷积单元计算流程示意图；
[0037]图4为本专利技术的一种实施例中基于FPGA的图像分类系统的矩阵乘法运算模块的结构示意图。
具体实施方式
[0038]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0039]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0040]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限
【技术保护点】
【技术特征摘要】
1.一种基于FPGA的图像分类方法，其特征在于：包括以下步骤，S1、初始化系统：从设置文件中读取所需参数，对系统进行参数设置，通过模型定义设置文件，从而建立无权重的深度神经网络模型；S2、加载模型权重：从设置文件中读取模型权值，根据展开法则生成各卷积单元的权值矩阵，收集权值矩阵中每个元素的符号位，组成各卷积单元的权值符号位矩阵；根据深度神经网络模型结构，对各卷积单元的权值矩阵及权值符号位矩阵进行排列；S3、获取图像数据：读取图像数据，对其进行预处理得到数据矩阵，收集数据矩阵中各元素的符号位，组成数据符号位矩阵，将数据矩阵和数据符号位矩阵输入深度神经网络模型；S4、生成特征矩阵：将所得数据符号位矩阵和权值符号位矩阵做同或运算，生成输出符号位矩阵，进而确定数据矩阵和权重矩阵的向量运算组；使用多个向量运算单元并行计算向量运算组，并将结果填充至输出符号位矩阵对应位置，得到特征矩阵；将所述特征矩阵作为下一级卷积单元的输入，重复运算过程，直至到达深度神经网络模型的输出层；S5、显示结果：重塑特征矩阵得到一维的特征向量，根据矩阵乘法规则生成向量运算组，使用多个向量运算单元并行计算向量运算组中的元素，按照索引顺序收集计算结果，得到输出向量；获取输出向量中最大值的位置标示，查表获得分类结果，并对结果进行显示。2.根据权利要求1所述的一种基于FPGA的图像分类方法，其特征在于：所述深度神经网络模型由主干网络和输出层组成，所述输出层由全连接层构成。3.根据权利要求2所述的一种基于FPGA的图像分类方法，其特征在于：所述输出层的权重由设置文件中直接读取得到，所述主干网络的各卷积单元的权重需在从设置文件读取后用展开法则进行展开，所述所述展开法则为：其中，C
ou
，C
in
分别是卷积单元的输出通道数和输入通道数，而K
，K
分别是卷积核的高和宽。4.根据权利要求1所述的一种基于FPGA的图像分类方法，其特征在于：步骤S3中的图像数据从采集设备或设置文件中读取，所...
【专利技术属性】
技术研发人员：李威君，尚德龙，周玉梅，
申请(专利权)人：中科南京智能技术研究院，
类型：发明
国别省市：
全部详细技术资料下载 我是这个专利的主人
