基于ZYNQ的定位和識別系統

楊丁 楊雪 曾潔 蔡堅 何振宇

摘 要：本設備針對不同應用場景，利用卷積神經網絡（CNN）預先在云服務器或GPU訓練出多種不同模型及對應特征碼，并將其轉換為ZYNQ的可執行代碼。隨后ZYNQ針對當前處理場景和需求獲得處理結果，再利用以邊緣計算模型為核心的處理方式，將結果通過網口或串口遠程傳輸到PC端，與PC端的模型進行和特征碼進行匹配。當處理環境或需求有所變化時，通過網口或串口遠程操控，更換ZYNQ平臺的可執行代碼，從而實現針對不同應用環境的監測和實時傳輸。

關鍵詞：ZYNQ；人工智能；

1 引言

隨著人工智能技術的發展，人們開始將這項技術應用到視頻監控中，通過智能化的方式來獲取車、行人、動物的相關信息。與此同時，視頻數據的網絡傳輸也就變得愈加地頻繁和重要。據預測，到2020年全球將會有260億的物聯網設備，網絡傳輸的壓力將會進一步加大[1]。目前，視頻傳輸大多數仍然采用云計算模型為核心的集中處理方式，這樣的傳輸方式有如下問題：1、傳輸延遲較高；2、增加了云計算平臺服務器的處理負擔；3、儲存和管理了大量冗余視頻數據，增加了儲存節點的能耗[2]。針對這些問題，有學者嘗試將視頻數據進行壓縮處理再傳輸，也有研究通過硬件設計實現視頻數據的多路傳輸。但實驗表明，這些設計并沒有從根本上解決網絡負載的問題，甚至會造成視頻數據的丟失。

針對這一問題，當前很多研究人員提出了采用邊緣計算為核心的方式來進行實時監測。邊緣計算是一種在靠近物或數據源頭的網絡邊緣提供智能服務的新型計算模型，與設備的近距離使得它能夠節省網絡流量、提高響應速度。

2 硬件簡介

本設計采用的是Eaglego系列是威視銳科技基于XILINX的高性能 Zynq 7020芯片，可以滿足實時性苛刻的推理計算需求。實現深度學習模型的自動轉換 FPGA 代碼，可以幫助用戶快速將訓練后的模型轉換到硬件部署，實現快速算法驗證。ZYNQ EP將 SoC 集成處理系統（PS）和可編程邏輯器件（PL）包含在單個芯片上。ZYNQ EPP 芯片的總體框圖如圖2-6所示，其中，PS 集成了兩個 ARM？的 Cortex？-A9 MPCore 的？應用處理器，AMBA？互連，內部存儲器，外部存儲器接口和外設。這些外設主要包括 USB 總線接口，以太網接口，SD/ SDIO接口，I2C總線接口，SPI總線接口，CAN總線接口，UART接口，GPIO等。PS可以獨立運行并在上電或復位下啟動。

此外ZYNQ7020開發板的其主要參數如下：可編程邏輯單元：約85K，約130萬ASIC門；LUTs：53200；觸發器：106400；RAM：506KB；DSP模塊：220；內存：512MB ，32bit數據總線；USB：一路USB調試串口；HDMI：1路HDMI高清輸出接口，支持1080P顯示；TF：1路TF卡接口，標配8G內存卡；WIFI：802.11a/b/g；Ethernet：1路10/100/1000Mbps以太網接口；調試接口：1個14Pin雙排調試接口，間距2mm；通用擴展：27Pin Microdunio兼容接口，支持40余種擴展模塊；視覺傳感器：SONY 1080P高清圖像傳感器。

3 實現過程

如圖2所示，本設計首先通過攝像頭對所需數據進行采集，再將采集到的數據傳輸到ZYNQ進行邊緣計算處理，生成特征碼。將特征碼傳輸到PC端，與預先在云端或GPU訓練好的模型及對應的特征碼進行匹配，并在PC端顯示匹配結果。當所需處理的環境或要求有所變化時，可通過PC端對ZYNQ進行遠程的代碼及模型更新，從而可以針對不同的環境和要求進行智能監測和傳輸。

4 結論

人工智能技術與視頻監控系統的結合，突破了傳統監控的時間和地域的局限，為我們的生活帶來了極大的便利，但大量的人工智能視頻監測系統，給我們的網絡傳輸帶來了極大的壓力。隨著物聯網成為新一輪科技發展制高點，邊緣計算給物聯網領域中的海量數據傳輸、實時服務響應等復雜挑戰提供了新的解決方案，因此受到了國內外政府、工業界和學術界的高度關注和認可。本設計針對當前監控視頻流數據傳輸過慢、數據量過大的問題，提出了一種基于ZYNQ的面向邊緣計算的通用型智能監測系統。

通過實驗證明，本設計通過在深度學習的Caffe框架上結合卷積神經網絡的相關理論知識，能夠在對監測視頻中的對象有效識別的前提下，大大降低數據傳輸量。一般的監控系統，每秒傳輸的數據約為150M到180M之間，而本設計通過特征碼的方式進行傳輸，其傳輸數據大小不足1KB；而且本系統在沒有檢測對象存在時，并不進行數據的傳輸，因此，本設計能夠大大的降低網絡的負載。此外，隨著人工智能時代的發展，在未來的生活和和生產中，將會有更多的場所需要實現快速高效的智能監測，例如：人體行為識別、學生作弊檢測、自然災害監測等多個領域，同時傳輸的數據量也會愈加增大。本設計提出的通用型的智能監測系統，相較于當前基于云計算的視頻監控系統，無疑更能滿足于未來多種環境下的智能監測需求。

參考文獻：

[1]施巍松，孫輝，曹杰，張權，劉偉.邊緣計算：萬物互聯時代新型計算模型[J].計算機研究與發展，2017，54（05）：907-924.

[2]劉蕾.船舶監控視頻數據的壓縮與傳輸方法研究[J].艦船科學技術，2018，40（12）：40-42.