基于Xilinx Zynq Z7045 SoC的CNN的视觉识别应用

作者:stark

近些年来随着科学技术的不断进步,人工智能(AI)正在逐步从尖端技术变得普及。人工智能的发展涉及物联网、大规模并行计算、大数据以及深度学习算法等领域,深度学习是人工智能进步最重要的因素,它也是当前人工智能最先进、应用最广泛的核心技术。作为人工智能技术理想的应用领域,自动驾驶以及智能交通系统受到了人们广泛的关注。很多汽车企业都加入自动驾驶汽车的研究,比如特斯拉的自动辅助驾驶系统、百度阿波罗计划等。

图1:自动驾驶汽车需要具备识别道路交通情况的能力

图1:自动驾驶汽车需要具备识别道路交通情况的能力

自动驾驶面临的首个问题就是如何识别道路上的行人、汽车等其他物体,因此需要开发可靠的视觉识别系统集成到汽车的车载系统中,卷积神经网络(Convolutional Neural Network,CNN)是目前图像识别技术中最炙手可热的算法模型,来自韩国的ATUS(Across The Universe,穿越苍穹)组织推出了基于CNN的汽车视觉识别系统,该公司专注于数字媒体和FPGA嵌入式平台技术的研究。

图2:ATUS基于CNN的视觉识别系统采用Zynq Z7045 SoC器件

图2:ATUS基于CNN的视觉识别系统采用Zynq Z7045 SoC器件

该系统采用Xilinx ZC706开发板卡,集成的是Zynq Z7045 SoC器件,采用可编程逻辑资源实现CNN图像识别算法(如上图所示),摄像头负责进行图像采集,对于采集的视频流该系统能够识别包括行人、汽车、路牌、栏杆等二十种不同的对象。Zynq Z7045 SoC的可编程逻辑部分工作时钟频率为200MHz,整个系统的功耗仅为10.432W,这是采用CPU或者GPU实现CNN解决方案功耗的10%。

【ATUS CNN视觉识别系统视频介绍】:

Xilinx Zynq-7000系列器件配备双核 ARM Cortex-A9 处理器以及28nm可编程逻辑资源,其优异的性能功耗比和最大的设计灵活性自推出以来受到工程师们的欢迎,Zynq Z7045属于该系列最高端的器件,集成高达6.25M的逻辑单元。随着各种应用对于计算需求和性能的不断增长,FPGA并行计算特性多带来的高性能使其在数据中心、深度学习、图像压缩与解码等应用场景应用越来越广泛。

声明:本文为原创文章,转载需注明作者、出处及原文链接,否则,本网站将保留追究其法律责任的权利