Dissertação

{en_GB=FPGA-Based Traffic-Sign Classification} {} EVALUATED

{pt=O objectivo deste trabalho consiste no desenvolvimento de um sistema embebido hardware/software, numa plataforma SoC-FPGA, para a detecção de sinais de trânsito. Os Sistemas Avançados de Assistência ao Condutor correspondem a um componente crucial nos carros autónomos. Uma das principais tarefas deste tipo de sistemas é reconhecer sinais de trânsito. Os sistemas de reconhecimento recentes são tipicamente baseados em Redes Neuronais Convolucionais. Por serem sistemas críticos de segurança, o processamento de imagem tem de ser efectuado em tempo real. O sistema desenvolvido utiliza uma Rede Neuronal Convolucional para fazer o reconhecimento. A rede é composta por duas camadas convolucionais e duas fully connected, e classifica 43 sinais de trânsito (German Traffic Sign Recognition Benchmark) com uma probabilidade de acerto de 97.2% (após quantização). O sistema é composto por um multi-processador dedicado para acelerar as camadas convolucionais, que constituem 93% do tempo total de execução do programa e um processador genérico que computa as camadas Fully Connected, em software. A solução proposta, implementada no dispositivo Zynq 7020, consegue um ritmo de classificação de 8 classificações/s utilizando apenas um elemento de processamento, o que corresponde a uma aceleração de cinco vezes em relação a uma solução apenas em software. A arquitectura é totalmente escalável (até 36 elementos de processamento no dispositivo Zynq 7020), e com apenas quatro elementos de processamento atinge os requisitos de tempo real (aproximadamente 60ms por classificação) utilizando apenas 17% dos recursos disponíveis., en=The objective of this work is to develop an efficient traffic sign classification hardware/software embedded system on a SoC-FPGA platform. Advanced Driver Assistant Systems are a crucial component on self-driving cars. One of the main tasks of these systems is to recognize traffic signs. Modern recognition systems are typically based on Convolutional Neural Networks. Because of the safety-critical nature of these systems, the image processing task must be performed in real-time. The SoC FPGA system developed uses a Convolutional Neural Network to perform the recognition. The network classifies 43 traffic signals, on the German Traffic Sign Recognition Benchmark, with a final accuracy of 97.2% (after quantization) and is composed by two Convolutional and two Fully Connected layers. A dedicated multi-processor was developed to accelerate the Convolutional layers, which consume 93% of the total execution time. The Fully connected layers are computed in software. The proposed solution, implemented on a Zynq 7020 device, can achieve a classification rate of 8 classification/s using only one processing element, which is five times faster than a software-only solution, executing on an ARM processor embedded on the same device. The architecture is fully scalable (up to 36 Processing Elements can be implemented in a Zynq 7020 device), and with only 4 Processing Elements it is possible to meet real-time objectives (approximately 60 ms per classification) using only 17% of the available resources.}
{pt=Reconhecimento de Sinais de Trânsito, Redes Neuronais Convolucionais, Hardware/Software Co-design, Aceleração Hardware, Systems on Chip, en=Traffic Sign Recognition, Convolutional Neural Networks, Hardware/Software Co-design, Hardware Acceleration, Systems on Chip}

Junho 28, 2019, 14:30

Orientação

ORIENTADOR

Rui António Policarpo Duarte

INESC-ID

Investigador Auxiliar Convidado

ORIENTADOR

Horácio Cláudio De Campos Neto

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado