[发明专利]一种基于MPSOC的目标识别实现方法

说明书

本申请提供了一种基于MPSOC的目标识别实现方法，属于人工智能技术领域，具体包括：基于多核系统级芯片平台FPGA端调用DPUCZDX8G IP核，设计多核深度学习处理器并行数据计算模块，对卷积神经网络目标识别算法模型进行并行加速计算；基于目标识别算法yolox，编译可兼容多核深度学习处理器指令运行的目标识别算法网络模型，将编译完成的网络模型指令文件yolox.xmodel部署到MPSOC平台FPGA端DPU模块中执行。通过本申请的处理方案，提高目标识别系统的实时性和可靠性。

技术领域

本申请涉及人工智能的领域，尤其是涉及一种基于MPSOC的目标识别实现方法。

背景技术

目前，基于光学图像的目标识别技术主要分为两种：一种是传统的模板匹配方法，另一种是如今主流的基于神经网络目标识别算法。传统的模板匹配算法鲁棒性差，严重依赖模板样本特征，目标识别准确率低，因此现在主流研究方向都是基于神经网络处理实现目标识别。

基于神经网络目标识别方法通过对大量样本数据进行训练，可实现目标泛化检测，具有较高的识别准确率。但是，在航空机载领域的AI目标识别技术应用还不够成熟，主要是因为现有目标识别算法难以在机载端设备中进行部署，一般支持AI算法运行的高性能GPU计算平台运行功耗较大、可靠性低、其硬件架构不易扩展等缺点，导致基于GPU的高性能计算平台难以在严峻的航空机载环境下应用。

发明内容

有鉴于此，本申请提供一种基于MPSOC的目标识别实现方法，解决了现有技术中的问题，提高目标识别系统的实时性和可靠性。

本申请提供的一种基于MPSOC的目标识别实现方法采用如下的技术方案：

一种基于MPSOC的目标识别实现方法，包括：

步骤一：基于多核系统级芯片平台FPGA端调用DPUCZDX8G IP核，设计多核深度学习处理器并行数据计算模块，对卷积神经网络目标识别算法模型进行并行加速计算；

步骤二，基于目标识别算法yolox，编译可兼容多核深度学习处理器指令运行的目标识别算法网络模型，

步骤三、将编译完成的网络模型指令文件yolox.xmodel部署到MPSOC平台FPGA端DPU模块中执行。

可选的，所述步骤1包括：

在FPGA端设计多核DPU数据计算模块，添加两个DPUCZDX8G IP核与ZYNQUltraScale+MPSOC IP，将DPUCZDX8G IP核与ZYNQ UltraScale+MPSOC IP核进行连接，每个个DPUCZDX8G IP核包括三个AXI总线主接口与一个AXI总线从接口，其中，三个AXI总线主接口中包含两个数据接口与一个指令接口，分别用来获取数据与指令；

将两个DPUCZDX8G IP核的AXI总线数据主接口分别连接ZYNQ UltraScale+MPSOCIP核的高速AXI总线接口S_AXI_HP0_FPD、S_AXI_HP1_FPD、S_AXI_HP2_FPD和S_AXI_HP3_FPD；

将两个DPUCZDX8G IP核的AXI总线指令主接口通过AXI总线interconnect共同连接到ZYNQ UltraScale+MPSOC IP核的S_AXI_LPD接口；

再将所有个DPUCZDX8G IP核AXI总线从接口通过AXI interconnect连接到ZYNQUltraScale+MPSOC IP核的M_AXI_HPM0_LPD接口，CPU端通过M_AXI_HPM0_LPD接口来访问深度学习处理器寄存器空间；

DPUCZDX8G IP核与ZYNQ UltraScale+MPSOC核通过AXI总线交互设计构成目标识别系统深度学习处理器计算模块。