一种水稻杂草识别加速系统的构建方法及其加速方法
专利汇可以提供一种水稻杂草识别加速系统的构建方法及其加速方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种 水 稻 杂草 识别 加速 系统的构建方法及其加速方法，主要针对东北稻田的特色，首先调研常见的杂草对其进行分类和杂草库建立，其次利用ubuntu 操作系统 对杂草库进行卷积训练提取特征值，接着搭建加速平台将 卷积神经网络 算法 映射到FPGA的ARM芯片端，然后利用 软件 对系统进行调试和追踪确定要加速的部分，最后利用加速算法对设计完成加速。本发明中构建的水稻杂草识别加速系统通过对常见的杂草进行图库的建立，更能有针对性；后期将识别后的图片进行算法处理增加图像的表现 力 ，提高竞争力，缩短 硬件 对目标物体的识别时间，方便针对性的处理杂草，保护生态环境。，下面是一种水稻杂草识别加速系统的构建方法及其加速方法专利的具体信息内容。
1.一种水稻杂草识别加速系统的构建方法，其特征在于，包括以下步骤：
S1：建立水稻杂草库，对水稻杂草库中的图片数据进行卷积训练，提取特征值；
S2：根据步骤S1中建立的水稻杂草库中图片的特征值，搭建水稻杂草加速平台；
S3：对卷积神经网络的算法进行硬件映射和算法仿真；
S4：利用FPGA进行算法加速，提高图像的输出表现力；
S5：对整个加速系统的时序进行优化；
S6：通过开发工具生成下载文件，烧写到开发板中，用来进行杂草识别。
2.根据权利要求1所述的一种水稻杂草识别加速系统的构建方法，其特征在于，步骤S1中的具体操作步骤包括：
S11：对水稻杂草的不同生长期进行图库收集；
S12：利用软件语言对收集到的水稻杂草图库进行分类打包；
S13：新建卷积神经网络模型，并对其进行修改调整；
S14：利用修改调整后的卷积神经网络模型中自定义网络结构层次对图库中的图片数据进行卷积训练，提取特征值。
3.根据权利要求2所述的一种水稻杂草识别加速系统的构建方法，其特征在于：所述水稻杂草包括镳草、稗草和狗尾草。
4.根据权利要求3所述的一种水稻杂草识别加速系统的构建方法，其特征在于：步骤S13中对卷积神经网络模型的修改调整包括对训练的步长调整，基准学习率的改变、图像滤波器的调整以及激励函数的修改。
5.根据权利要求4所述的一种水稻杂草识别加速系统的构建方法，其特征在于：所述卷积神经网络模型包括两个卷积层、全连接层和输出层，每个所述卷积层中均包含激励函数；
起始图像经过第一卷积层，通过激励函数的辅助特征表达后输入第二卷积层，再次经过激励函数的辅助特征表达后输出到全连接层，最终到达输出层。
6.根据权利要求5所述的一种水稻杂草识别加速系统的构建方法，其特征在于：所述卷积层的卷积核大小为5*5。
7.根据权利要求1所述的一种水稻杂草识别加速系统的构建方法，其特征在于，步骤S2中的具体操作包括：
S21：将卷积神经网络模型中的算法框架以及提取出来的水稻杂草库中图片的特征值全部映射到FPGA芯片中；
S22：对整个卷积过程进行调试追踪；
S23：根据追踪结果，对整个网络模型结构插入关键字，利用关键字进行图像识别加速。
8.根据权利要求1所述的一种水稻杂草识别加速系统的构建方法，其特征在于，步骤S4中通过对白平衡调节、色彩矫正、伽马矫正、高斯滤波以及细节增强提高图像的输出表现力。
9.如权利要求1-8任一项所述的一种水稻杂草识别加速系统的加速方法，其特征在于，包括以下步骤：
S1：根据输入的图片信息开始执行程序，判断是否可以加速；
S2：对于可加速的图片，采用流水线、内联函数、展开循环和拆分数据完成加速；
S3：对于不可加速的图片，直接结束加速；对于未知情况的图片，调用源语库，判断是否存在明显影响；
S4：对存在明显影响的，重复步骤S2；
S5：对不存在明显影响的，执行通知，结束程序。
一种水稻杂草识别加速系统的构建方法及其加速方法
技术领域
背景技术
发明内容
S1：建立水稻杂草库，对水稻杂草库中的图片数据进行卷积训练，提取特征值；
S2：根据步骤S1中建立的水稻杂草库中图片的特征值，搭建水稻杂草加速平台；
S3：对卷积神经网络的算法进行硬件映射和算法仿真；
S4：利用FPGA进行算法加速，提高图像的输出表现力；
S5：对整个加速系统的时序进行优化；
S6：通过开发工具生成下载文件，烧写到开发板中，用来进行杂草识别。
S12：利用软件语言对收集到的水稻杂草图库进行分类打包；
S13：新建卷积神经网络模型，并对其进行修改调整；
S14：利用修改调整后的卷积神经网络模型中自定义网络结构层次对图库中的图片数据进行卷积训练，提取特征值。
S22：对整个卷积过程进行调试追踪；
S23：根据追踪结果，对整个网络模型结构插入关键字，利用关键字进行图像识别加速。
S2：对于可加速的图片，采用流水线、内联函数、展开循环和拆分数据完成加速；
S3：对于不可加速的图片，直接结束加速；对于未知情况的图片，调用源语库，判断是否存在明显影响；
S4：对存在明显影响的，重复步骤S2；
S5：对不存在明显影响的，执行通知，结束程序。
2、本发明中通过修改卷积神经网络的结构，去掉了原来的池化层，利用2层卷积对杂草库进行训练，从而准确获取杂草的特征值，能够更加精准的对水稻杂草进行识别；
3、本发明中通过卷积神经网络和FPGA的结合，搭建加速平台将卷积神经网络映射到利用FPGA的ARM芯片端，通过FPGA端对数据实现加速计算，缩短了水稻杂草的识别时间。
附图说明
图3为本发明卷积运算单元示意图；
图4本发明系统时序优化寄存器路径示意图；
图5为本发明整个硬件的数据流从输入到输出结构示意图；
图6为本发明水稻杂草识别加速系统的加速流程图；
图7为本发明实施例一中对狗尾草的训练测试结果图；
图8为本发明实施例二中对镳草和稗草的训练测试结果图；
图9为本发明实施例三中未使用加速算法时的资源占用比柱状图；
图10为本发明实施例三中进行加速后的资源占用比柱状图。
具体实施方式
具体操作步骤包括，
S11：对水稻杂草的不同生长期进行图库收集，为卷积神经网络模型的训练做准备；
进一步的，水稻稻田里常见的杂草为镳草，稗草以及狗尾草。
具体的，利用改进后的cifar10卷积神经网络框架进行修改调整。
S21：基于FPGA工具搭建加速平台，将卷积神经网络的算法框架以及提取出来的水稻杂草库中图片的特征值全部映射到FPGA芯片中；
S22：对整个卷积过程进行调试追踪；
具体的，调试过程首先通过开发软件生成debug版本的烧写文件，烧写到板卡当中，利用开发软件进行调试查看FPGA的ARM芯片端，计算资源所占比。
具体的，该步骤的逻辑是基于对FPGA的硬件程序的理解以及ARM端c语言实现卷积神经网络移植之后相结合判断能否加速，目前的标准主要是参考xilinx官方的文档，主要是前期调研，没有特别明显的标准。比如c语言中的for循环，如果顺序执行需要门限值个时钟周期，而FPGA加速就可以单个时钟执行结束而输出结果。总的来说，能否加速需要基于arm和FPGA的各自特性。
S4：对存在明显影响的，重复步骤S2；
S5：对不存在明显影响的，执行通知，结束程序。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于人脸特征进行年龄估计、和/或性别识别的系统及方法 | 2020-05-11 | 491 |
| 液晶显示面板的白平衡方法及装置 | 2020-05-11 | 10 |
| 基于白平衡的单个闪光灯补偿方法、装置、设备和介质 | 2020-05-11 | 597 |
| 一种图像处理方法及装置 | 2020-05-08 | 627 |
| 一种基于麦克风阵列的电子交警系统 | 2020-05-08 | 866 |
| 用于以隔行曝光捕捉图像帧的方法及装置 | 2020-05-08 | 963 |
| 具有稳定曝光或白平衡的图像捕获装置 | 2020-05-08 | 699 |
| 一种汽车全景环视系统 | 2020-05-08 | 529 |
| 定位装置 | 2020-05-11 | 297 |
| 内窥镜系统 | 2020-05-11 | 925 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
