作者
杨 洁
文章摘要
针对嵌入式边缘场景中手写字符识别系统存在的算力不足、功耗偏高及实时性不足等问题，本文提出一种基于轻量化卷积神经网络（CNN）与现场可编程门阵列（FPGA）协同实现的手写字符识别系统。通过对经典CNN模型进行结构精简与参数优化，采用卷积核压缩、冗余层裁剪及定点量化等方法，构建适用于硬件部署的轻量化模型；在此基础上结合FPGA并行计算与可重构特性，设计卷积、池化及激活等核心运算模块的流水线并行加速架构，实现高效推理计算。系统以MNIST手写数字数据集为测试对象，完成模型训练、硬件综合及板级验证。实验结果表明，该系统识别准确率可达98.4%，单帧字符识别延迟低于1.2ms，整体功耗为3.6W，资源占用率适中。所提方法在保证识别精度的同时显著降低计算复杂度与功耗，适用于边缘端实时手写字符识别应用。
文章关键词
轻量化CNN；FPGA；手写字符识别；硬件加速；定点数量化
参考文献
[1] 李珍琪,王强.轻量化卷积神经网络硬件加速设计及 FPGA 实现[J].计算机工程与科学,2024,46(03):421-428.
[2] 李宏伟.基于 FPGA 的手写数字识别系统设计[J].电子技术应用,2023,49(07):89-93.
[3] 李阳.轻量化 CNN 模型优化及嵌入式硬件部署研究[D].哈尔滨工业大学,2023.
[4] 李志强.基于 ZYNQ 的神经网络硬件加速系统设计[J].微电子学与计算机,2022,39(11):76-82.
[5] 李雪梅.嵌入式边缘端低功耗深度学习推理系统设计[J].计算机工程与应用,2024,60(02):231-237.
Full Text:
DOI
