基于FPGA的智慧泊车深度学习网络的训练方法与制作流程

图片简介:

本技术介绍了一种基于FPGA的智慧泊车深度学习网络的训练方法，涉及智能识别领域，通过多种深度学习网络和计算机视觉技术，识别并不断学习运动物体的形状、颜色等信息，并将各种信息整理并上传到云服务器通过专家网络进行不同场景下的纠错，能在多种场景下都能高效高正确率的识别运动物体，并且使用FPGA芯片对专用深度学习网络进行深度定制，既能够实现更优的性能，更低的功耗，又能够在需要的时候对深度学习网络进行优化和调整，解决了现有智能识别终端产品均使用GPU作为深度学习网络的处理单元，造成了设备能够处理的视频流数量不多，实时性较差，设备难以维护，使用寿命短的问题。

技术要求

1.一种基于FPGA的智慧泊车深度学习网络的训练方法，其特征在于：包括依次进行的以下步骤：

步骤1：构建深度学习网络，包括深度学习运动物体识别的通用网络和运动物体识别纠错的专家网络；

步骤2：准备原始图片数据集；

步骤3：用通用网络和专家网络对数据集中原始图片进行识别，并读取通用网络和专家网络输出的识别结果，通用网络输出物体标识Ln和物体坐标Cn，专家网络输出物体标识Lz 和物体坐标Cz；

步骤4：将通用网络的识别结果和专家网络的识别结果进行比较，若Ln不等于Lz，则进行步骤5，当Ln等于Lz时，再比较通用网络输出的物体坐标Cn和专家网络输出的物体坐标Cz，若Cn不等于Cz，则进行步骤6，当Cn等于Cz时，则通用网络训练结束；

步骤5：通用网络输出的物体标识Ln按照专家网络输出物体标识Lz改变调整，通用网络调整后的识别结果生成新的图片数据集，使用新的图片数据集再对通用网络进行训练，即进行步骤3-4；

步骤6：对比Cn与Cz的差值，若差值高于门限值，通用网络输出的物体坐标Cn按照专家网络输出物体坐标Cz改变调整，通用网络调整后的识别结果生成新的图片数据集，新的图片数据集再对通用网络进行训练，即进行步骤3-4；若差值低于门限值时，则通用网络训练结束。

2.根据权利要求1所述的一种基于FPGA的智慧泊车深度学习网络的训练方法，其特征在于，所述步骤3具体为：

步骤31：用通用网络对数据集中原始图片进行识别；

步骤32：读取通用网络输出的识别结果，输出物体标识Ln和物体坐标Cn；

步骤33：将通用网络输出的识别结果对照工具软件进行分类；

步骤34：经过步骤33分类后的通用网络识别结果，及其相对应的原始图片数据集分别导入到专家网络，专家网络根据通用网络识别结果的不同分类而训练，经过训练后专家网络对导入的原始图片数据集进行识别，其输出物体标识Lz和物体坐标Cz。

于：所述通用网络输出的识别结果分类的判别标准主要包括原始图片的采集时间、原始图片采集时的天气和光照情况、原始图片采集的地点、原始图片的分辨率、图片识别的历史错误率。

4.根据权利要求2所述的一种基于FPGA的智慧泊车深度学习网络的训练方法，其特征在于：还包括对通用网络输出的结果对照工具软件完成图像重构，为系统检查人员提供直观的视觉参考。

5.根据权利要求2所述的一种基于FPGA的智慧泊车深度学习网络的训练方法，其特征在于：所述专家网络针对不同的场景构建不同的专家网络，在进行步骤34，专家网络在云服务器上运行对通用网络进行自动训练。

6.根据权利要求1所述的一种基于FPGA的智慧泊车深度学习网络的训练方法，其特征在于：所述通用网络根据智慧泊车场景定制了车辆运动检测网络、深度学习车辆识别网络、深度学习车牌识别网络、深度学习车牌号码及文字识别网络，并在智慧泊车边缘服务器上运行，所述智慧泊车边缘服务器包括FPGA模块、ARM模块、底板模块，FPGA模块、ARM模块、底板模块组合形成全功能并带有多种外围设备接口的智慧泊车边缘服务器，并使用FPGA模块作为深度学习网络的处理器。

7.根据权利要求6所述的一种基于FPGA的智慧泊车深度学习网络的训练方法，其特征在于：所述FPGA模块连接时钟电路、时序电路、电源模块和存储模块，并且FPGA模块还连接到RJ45接口和USB接口。

8.根据权利要求6所述的一种基于FPGA的智慧泊车深度学习网络的训练方法，其特征在于：所述ARM模块连接GPS模块、蓝牙/WiFi模块、4G模块及摄像头，并且ARM模块还连接到TF存储卡、传感器和传输接口。

9.根据权利要求8所述的一种基于FPGA的智慧泊车深度学习网络的训练方法，其特征在于：所述传输接口包括电源接口、风扇接口、USB接口、RJ45接口、RS485、DI/DO接口和RTC接口。

于：所述FPGA模块和ARM模块通过RJ45接口、PCI-E总线和/或USB接口连接。

技术说明书

一种基于FPGA的智慧泊车深度学习网络的训练方法

技术领域

本技术涉及智能识别网络领域，特别涉及一种基于FPGA的智慧泊车深度学习网络训练方法及系统。

背景技术

随着现在汽车量越来越大，现在的城市道旁，开放式停车场等室外停车场地越来越多，而在不同的天气、能见度、不同角度都能清楚识别停车场内的车牌也是目前智慧停车的一个重要方向。

现有的智慧泊车技术对于不同场景尤其是不同天气、时间、光照等情况下的识别情况和正确率往往不同，并且由于识别时车辆在运动，车牌拍摄出来的清晰度会降低，现在急需一种能在多种场景下都能高效高正确率的识别车牌的智慧泊车的智能识别系统，通过深度学习网络不断学习对目标进行识别检测。并且现有智能识别的终端服务器均使用GPU作为深度学习网络的处理单元，因为GPU为通用处理器，处理速度慢，功耗高，发热量大，并需要风扇为主要芯片散热，这些因素造成了设备能够处理的视频流数量不多，实时性较差，设备难以维护，使用寿命短。

技术内容

本技术的目的在于：提供了一种基于FPGA的智慧泊车深度学习网络的训练方法，通过多种深度学习网络和计算机视觉技术，识别并不断学习车辆形状、车牌、停车行为习惯等信息，并将各种信息整理并上传到云服务器通过专家网络进行不同场景下的纠错，能在多种场景下都能高效高正确率的识别车牌，并且可以应用到识别其他运动物体，并且使用FPGA芯片对本技术专用深度学习网络进行深度定制，既能够实现更优的性能，更低的功耗，又能够在需要的时候对深度学习网络进行优化和调整，解决了现有的智慧泊车技术对于不同场景尤其是不同天气、时间、光照等情况下的识别情况和正确率往往不同的问题，还解决了目前智能识别在识别运动物体时准确率较低的问题，还解决了现有智能识别终端产品均使用GPU作为深度学习网络的处理单元，造成了设备能够处理的视频流数量不多，实时性较差，设备难以维护，使用寿命短的问题。

本技术采用的技术方案如下：

一种基于FPGA的智慧泊车深度学习网络的训练方法，包括依次进行的以下步骤：

步骤1：构建深度学习网络，包括深度学习运动物体识别的通用网络和运动物体识别纠错的专家网络；

步骤2：准备原始图片数据集；

步骤3：用通用网络和专家网络对数据集中原始图片进行识别，并读取通用网络和专家网络输出的识别结果，通用网络输出物体标识Ln和物体坐标Cn，专家网络输出物体标识Lz 和物体坐标Cz；步骤4：将通用网络的识别结果和专家网络的识别结果进行比较，若Ln不等于Lz，则进行步骤5，当Ln等于Lz时，再比较通用网络输出的物体坐标Cn和专家网络输出的物体坐标Cz，若Cn不等于Cz，则进行步骤6，当Cn等于Cz时，则通用网络训练结束；

步骤5：通用网络输出的物体标识Ln按照专家网络输出物体标识Lz改变调整，通用网络调整后的识别结果生成新的图片数据集，使用新的图片数据集再对通用网络进行训练，即进行步骤3-4；