Найти

Результаты поиска

• ПРОЕКТИРОВАНИЕ МОДУЛЕЙ НЕЙРОСЕТЕЙ MLP И CNN НА ПЛИС ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ

  Э. В. Мельник , Д.Е. Блох , А.И. Безмельцев , В.С. Панищев , С.Н. Полторацкий

  214-229

  2025-11-10

  Аннотация ▼

  Актуальность. Развитие методов машинного обучения и архитектур нейронных сетей, а также их распространение в различные сферы промышленности обуславливают актуальность решения задач по их аппаратной реализации. Использование программируемых логических интегральных схем в этой области позволит повысить скорость обработки данных и адаптивность реализуемых алгоритмов. Однако проектирование нейросетевых архитектур на программируемых логических интегральных схемах сопряжено с рядом методологических и технических сложностей, включая оптимизацию параллельных вычислений, управление аппаратными ресурсами и обеспечение работы в условиях ограниченных вычислительных ресурсов. Цель работы – анализ и сравнение двух архитектур нейронных сетей, многослойного перцептрона (MLP) и сверточной нейронной сети (CNN), в контексте их аппаратной реализации на программируемых логических интегральных схемах (ПЛИС). Особое внимание уделяется компромиссу между точностью классификации и эффективностью использования ограниченных аппаратных ресурсов ПЛИС. Методы исследования. Для достижения цели была проведена разработка и симуляция двух модулей на ПЛИС
  Virtex 7, перцептронного и сверточного. Использовался набор данных MNIST, уменьшенный до 20×20 пикселей. Реализация включала этапы квантования параметров до фиксированного формата 16:16, оптимизацию гиперпараметров, применение табличных вычислений для нелинейных функций и оценку использования ресурсов ПЛИС. Результаты и обсуждения. MLP достиг точности 93% при использовании 11% логических элементов, в то время как CNN обеспечила точность 98%, но потребовала существенно больше ресурсов. Использование внутренних буферов для хранения промежуточных данных в CNN привело к превышению допустимых ресурсов. Вынужденный переход к внешней памяти увеличил задержки и объем портов ввода-вывода. Выводы. Исследование показало, что выбор архитектуры зависит от приоритетов: CNN обеспечивает лучшую точность, но менее эффективна в ресурсах. Для embedded-систем с ограничениями по памяти и потреблению энергии предпочтительна упрощенная MLP-реализация. Основными проблемами остаются нехватка внутренней памяти и высокая ресурсоемкость операций, что требует дальнейших исследований в области аппаратной оптимизации и адаптивного управления вычислениями

• МЕТОД РАСПОЗНАВАНИЯ ТЕКСТОВЫХ ДАННЫХ НА ИЗОБРАЖЕНИЯХ

  В. С. Панищев , О.О. Хомяков , Д. В. Титов , С.И. Егоров

  2023-10-23

  Аннотация ▼

  Целью исследования является исследование проблем, возникающих в процессе цифро-
  вой обработки изображений, в системах получения текстовых характеристик объектов
  продукции. Таких как выделение объектов, попадающих в кадры видеопотока и распознава-
  ние текстовой маркировки, без использования специализированного аппаратного обеспече-
  ния. В частности, проблемы, возникающие при работе с изображениями, содержащими
  различный уровень шумов и искажений. В задачи исследования входит сравнение и анализ
  методов и алгоритмов, используемых для цифровой обработки изображений, с целью поис-
  ка объектов в видеопотоке, выделения и сегментации участков, содержащих текст, рас-
  познавания текста и классификации полученных данных. Построение математической
  модели обработки изображений, с целью получения текстовой информации о продукции в
  кадрах видеопотока, с возможностью работы с различными объектами. Оценить точ-
  ность распознавания при различном уровне шума и провести сравнительный анализ с аль-
  тернативными решениями на основе полученных данных. В результате работы проведен
  анализ методов, используемых для работы с кадрами видеопотока с целью выделения оп-
  ределенных объектов. Проведен анализ методов, используемых для цифровой обработки
  изображения, в частности для выделения текстовой информации. Разработан алгоритм
  классификации частей текстовой информации на основе эталонных признаков. Представ-
  лена математическая модель обработки изображений для выделения искомого объекта в
  кадре, получения текстовой информации и классификации характеристик продукции. Про-
  ведено тестирование данных методов и алгоритмов в различных условиях. Проведено
  сравнение реализации классификатора символов с альтернативным вариантом. Наглядно
  представлены примеры и результаты работы разработанной системы.