Для авторов
Найти
Результаты поиска
Найдено результатов: 7.
-
СПОСОБ ИСПОЛЬЗОВАНИЯ СРЕДСТВ БЫСТРОГО ПРОТОТИПИРОВАНИЯ ДЛЯ РЕАЛИЗАЦИИ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ НА ПЛИС
В.В. Бахчевников , В. А. Деркачев , А. Н. Бакуменко2020-10-11Аннотация ▼Исследования в области искусственного интеллекта ведутся с возрастающим и н-
тересом с каждым годом. Области применения искусственного интеллекта довольно
обширны: автоматизация, анализ большого объема данных, технологии умного дома,
машинное зрение и т.д. Технологии искусственного интеллекта базируются на использ о-
вании искусственных нейронных сетей, имеющие в своей основе принципы нервной сис-
темы животных. При этом актуальным вопросом является реализация искусственных
нейронных сетей на различных программно-аппаратных платформах: программируемых
логических интегральных схемах (ПЛИС) типа FPGA (Field Programmable Gate Array), на
интегральных схемах специального назначения (Application-Specific Integrated Circuit,
ASIC), GPU, CPU и т.д. ПЛИС наилучшим образом проявляют себя в маломощных мо-
бильных системах. ASIC демонстрируют наибольшую производительность с н едостат-
ком: высокая цена разработки. Проблема быстрого прототипирования проектов, осн о-
ванных на использовании искусственных нейронных сетей, для ПЛИС привычными мет о-
дами (c помощью HDL-языков, HDL-кодеров, графического программирования) заключа-
ется в том, что либо такой проект сложен и длителен в отладке (HDL-языки), либо не
оптимален получающийся код (HDL-кодеры), либо высока длительность разработки
проекта и сложность реконфигурации нейронной сети (графическое программирование).
Поэтому в рамках данной работы рассматривается эффективный метод проектирова-
ния полносвязных и сверточноых нейронных сетей для их реализации на ПЛИС использ о-
ванием пакета Xilinx System Generator for DSP и Matlab/Simulink. Генерируемые таким
образом искусственные нейросети легко реконфигурируемы и позволяют решать сле-
дующие задачи: распознавание изображений, оптимальная фильтрация (например, для
задач подповерхностной радиолокации). -
МОДЕЛЬ РАССЕЯНИЯ РАДИОЛОКАЦИОННЫХ СИГНАЛОВ ОТ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ
В. А. Деркачев2021-07-18Аннотация ▼Рассматривается модель рассеяния радиолокационных сигналов от беспилотных ле-
тательных аппаратов (БПЛА) мультироторного типа для формирования обучающих дан-
ных нейросетевого классификатора. В последнее время к изучению вопроса обнаружения и
классификации малоразмерных беспилотных летательных аппаратов (БПЛА) наблюдает-
ся повышенный интерес, который связан с развитием номенклатуры БПЛА в продаже и
производстве. Помимо развития БПЛА увеличение производительности вычислителей по-
зволило создавать классификаторы с использованием новых нейросетевых алгоритмов.
Данная модель осуществляет формирование радиолокационных изображений, получаемых
в результате отражения от беспилотного летательного аппарата радиолокационного
сигнала с линейной частотной модуляцией с учетом конфигурации, характеристик, теку-
щего местоположения и параметров полета наблюдаемого объекта. При расчете отра-
женного сигнала учитывается углы поворота БПЛА (тангажа, крена и рыскания), скоро-
сти полета, размера и местоположения винтов в текущей конфигурации БПЛА. Получен-
ная модель может быть полезна для формирования обучающего набора классификатора
беспилотных летательных аппаратов мультироторного типа, построенного с использо-
ванием сверточных нейронных сетей. Необходимость использования модели, формирую-
щей данные для нейронной сети, обуславливается требованием к большому числу обучаю-
щих и верифицирующих выборок, а также большим разнообразием конфигураций беспи-
лотных летательных аппаратов, что сильно увеличивает сложность и стоимость созда-
ния обучающего датасета с применением экспериментальных измерений. Помимо собст-
венно обучения нейронной сети, данную модель можно применить для оценки возможно-
сти обнаружения и классификации различных видов мультироторных БПЛА, в разработке
специализированной радиолокационной станции обнаружения данного вида объектов. -
КЛАССИФИКАЦИЯ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ МУЛЬТИРОТОРНОГО ТИПА С ПРИМЕНЕНИЕМ АЛГОРИТМА YOLO11
В.А. Деркачев171-1802025-07-24Аннотация ▼Рассматривается классификатор радиолокационных изображений беспилотных летательных аппаратов, основанный на нейронной сети, построенной на алгоритме YOLO 11 версии. Решение задачи обнаружения и классификации беспилотных летательных аппаратов стало одной из приоритетных задач в настоящее время. Увеличение числа модификаций беспилотных летательных аппаратов сильно усложняет применение статистических методов классификации, что требует применения новых подходов в решении задачи классификации. Развитие нейросетевых методов, одновременно с увеличением производительности вычислителей для обучения, с одной стороны, и встраиваемых решений, с другой, позволяет осуществлять классификацию летательных аппаратов с применением радиолокационных изображений в реальном масштабе времени. Применение алгоритма YOLO11 позволяет, помимо определения класса цели, осуществить оценку дальности до наблюдаемого объекта. Использование радиолокационных изображений оправданно в связи с тем, что визуальное наблюдение не всегда является возможным, из-за сложных погодных условий и темного времени суток. Для обучения нейронной сети предполагается использовать набор радиолокационных изображений, полученный с применением авторской модели генерации данных с произвольной конфигурацией беспилотных летательных аппаратов. Проведено обучение нейронной сети класса Detection YOLO11s (9,4 млн. параметров) на выборке радиолокационных изображений двух классов общим числом 8192. В результате обучения получена точность 0,99 для классификации на 2 классах объектов (на тестовых модельных данных). Были проведены тесты с применением натурных данных, снятых с применением радиолокационной системы миллиметрового диапазона TI IWR1642, в результате которых достигнута безошибочная классификация объектов на малой выборке.
-
МОДЕЛЬ АЛГОРИТМА ПОТОКОВОЙ МАРКИРОВКИ ШИРОКОФОРМАТНОГО ИЗОБРАЖЕНИЯ
А.Н. Бакуменко , В. А. Деркачев , В. В. Бахчевников , В. Т. Лобач2024-05-28Аннотация ▼В настоящей статье предложен алгоритм обработки широкоформатного изображения для
применения в системах, работающих в режиме реального масштаба времени с высокоскорост-
ным потоком видеоданных. Вопрос предварительной обработки изображения, его кластеризации,
сегментации и маркировки имеет особую важность для систем обработки видеопотока высокого
разрешения в режиме реального времени. Кроме того, при реализации таких алгоритмов остро
стоит вопрос минимизации затрат вычислительных ресурсов программируемых логических инте-
гральных схем (ПЛИС), на которых происходит непосредственное развертывание алгоритмов
потоковой обработки изображений. Минимальное потребление ресурсов обеспечивают однопро-
ходные алгоритмы маркировки, в которых отсутствует необходимость буферизации изображе-
ния, что имеет особую важность при обработки широкоформатного изображения высокого раз-
решения. Однако, при реализации одиночного прохода изображения через систему обработки мо-
жет происходить создание множества дополнительных маркеров подлежащих дальнейшему объ-
единению, особенно при анализе изображения с большим разрешением. Созданные дополнительные маркеры требуют увеличения требований количеству используемых ячеек памяти на ПЛИС.
Описываемый в статье алгоритм потоковой маркировки широкоформатного изображения высо-
кого разрешения позволяет производить маркировку потокового видеоизображения высокого раз-
решения снижая вероятность создания дополнительных меток подлежащих дальнейшему объе-
динению. Суть улучшения алгоритма относительно стандартного однопроходного состоит в
добавлении к сканирующей маске дополнительных элементов, которые позволяют избежать си-
туации появления различных меток, соответствующих одному объекту, что позволяет при ми-
нимальном увеличении объема используемой памяти на ПЛИС избежать дублирования меток и
перерасхода памяти устройства. Проведено моделирование алгоритма для реализации на ПЛИС с
помощью инструмента Xilinx System Generator for DSP в связке со средой для модельно-
ориентированного проектирования (МОП) Matlab Simulink. Представлены результаты работы
алгоритма на изображениях, полученных с высокоскоростной линейной камеры TELEDYNE DALSA
LA-CC-04K05B-00- с использованием мезонина Integre Technologies LLC FMC-200-A, а также
отладочной платы Xilinx ZYNQ Ultrascale+ MPSoC ZCU106. -
РЕАЛИЗАЦИЯ СОГЛАСОВАННОГО ФИЛЬТРА В ЧАСТОТНОЙ ОБЛАСТИ НА ПЛИС
В. В. Бахчевников , В.А. Деркачев , А. Н. Бакуменко2023-06-07Аннотация ▼Применение фильтров, согласованных с радиосигналами, достаточно распространено
в радиолокации, что способствует улучшению разрешающей способности по дальности, а
также в системах связи и многих других радиотехнических системах, позволяя увеличить
выходного отношение сигнал-шум (ОСШ) по сравнению с входным. Проектирование цифро-
вых устройств на программируемых логических интегральных схемах (ПЛИС) типа FPGA
(Field Programmable Gate Array) позволяет достаточно гибко их конфигурировать и созда-
вать прототипы радиотехнических систем для дальнейшей реализации алгоритмов ЦОС на
интегральных схемах специального назначения (Application-Specific Integrated Circuit, ASIC),
GPU, CPU и т.д. Цифровые устройства на ПЛИС находят широкое применение в мобильных
системах низкой мощности, в то время как ASIC показывают наибольшую производитель-
ность, имея недостаток в виде высокой стоимости разработки. В работе особое внимание
уделено проектированию и реализации фильтра, согласованного с комплексным ЛЧМ-
сигналом, в частотной области на ПЛИС с помощью библиотеки для Matlab / Simulink XilinxSystem Generator for DSP. В статье приведены результаты работы программно-аппаратной
модели как для одиночного точечного объекта, так и для трех точечных объектов с разными
задержками. Показана зависимость выходного ОСШ от входного для линейного и квадра-
тичного детектора огибающей, являющегося оконечным блоком согласованного фильтра.
Проведено сравнение аналитической кривой ОСШВЫХ(ОСШВХ) с кривой, полученной с помо-
щью разработанной программно-аппаратной модели, реализуемой на ПЛИС. В работе пока-
заны преимущества применения Xilinx System Generator для быстрого прототипирования
ЦОС на ПЛИС, также приведен анализ используемых ресурсов ПЛИС для разработанного
согласованного фильтра и его составляющих. -
КЛАССИФИКАТОР БПЛА МУЛЬТИРОТОРНОГО ТИПА
В.А. Деркачев , В.В. Бахчевников , А.Н. Бакуменко2023-06-07Аннотация ▼Рассматривается классификатор радиолокационных сигналов, отраженных от бес-
пилотных летательных аппаратов (БПЛА), основанный на нейронных сетях. В предло-
женном классификаторе для формирования обучающих данных используется модель рас-
сеяния радиолокационных сигналов от БПЛА. В последнее время запрос на классификацию
БПЛА достаточно высок ввиду значительного увеличения количества моделей и объема
продаж данных устройств. Увеличение вычислительной мощности процессоров и разви-
тие теории нейронных сетей позволяет создать новые виды классификаторов. При ис-
пользовании моделей возможно создание набора обучающих данных приемлемого для обу-
чения нейронной сети классификатора. Сверточная нейронная сеть классификатора обу-
чается с применением радиолокационных изображений, полученных с применением пред-
ложенной модели рассеяния радиолокационных сигналов от БПЛА. Получаемые радиолока-
ционные изображения моделируются с учетом углов ориентации БПЛА относительно
нормальной системы координат БПЛА, скорости полета, различных параметров винтов
моделируемого БПЛА. Для формирования обучающих данных помимо сигнальной конструк-
ции добавляется белый шум определенной конфигурации, который помогает увеличить
разнообразие обучающих выборок для улучшения обучающей способности сверточной ней-
ронной сети. Применение данных, полученных с помощью модели для обучения нейронной
сети обусловлено необходимостью использования большого числа обучающих выборок с
различными параметрами движения БПЛА, такими как высота, скорость, направление,
ориентация в пространстве, а также большим разнообразием возможных конфигураций
беспилотных летательных аппаратов: трикоптер (три винта), квадрокоптер (четыре
винта), гексакоптер (шесть винтов) или октокоптер (восемь винтов). что усложняет
применение экспериментальных данных для создания классификаторов данного типа. -
КЛАССИФИКАТОР ИЗОБРАЖЕНИЙ СЕМЯН СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ
В. А. Деркачев , В. В. Бахчевников, А. Н. Бакуменко2020-11-22Аннотация ▼В настоящей статье рассматривается создание архитектуры сверточной нейронной
сети, классифицирующей изображения сельскохозяйственных культур (в частности пшеницы)
для последующего применения в оптическом сепараторе семян (фотосепараторе). Интерес к
проектированию нейронных сетей классификации изображений в последнее время сильно воз-
рос, что связано как с развитием теории глубоких нейронных сетей, так и возросшей вычисли-
тельной мощностью настольных компьютеров, а также переносом вычислений на графиче-
ские процессоры. Целью статьи является разработка архитектуры нейронной сети позволяю-
щей осуществить разделение входного потока семян пшеницы на два класса: «хорошие» семена
и «плохие» (с изъянами по форме и цвету) семена. Архитектура полученной нейронной сети
является сверточной, так как в отличии от полносвязной, данный класс нейронных сетей в
определенных пределах невосприимчив к изменению масштаба и угла поворота объектов во
входных данных. В работе для формирования обучающей, валидационной и тестовой выборок
использовались изображения семян, полученные с использованием бытовой фотокамеры, что
негативно сказалось на результатах обучения и тестирования нейронной сети относительно
возможного результата применения в реальном фотосепараторе. Архитектура разработан-
ной нейронной сети предварительно оптимизирована для использования на ПЛИС, однако, в
рассмотренном случае не осуществлен переход от значений весовых коэффициентов из типа
данных с плавающей запятой к целочисленному типу, что может привести к снижению точ-
ности работы нейронной сети, при этом позволив значительно уменьшить объем ресурсов
ПЛИС. Применение предложенной архитектуры позволяет получить достаточно точную
оценку классифицируемых семян пшеницы по верификационным и тестовым наборам данных.
1 - 7 из 7 результатов
