作品展示

本团队研究设计的基于FPGA卷积加速的智能花生荚果分类装备，实现了将常见的花生品种“四粒红”的花生荚果按照粒数多少和是否破损的特征进行分类。 本作品采用基于轻量级网络SqueezeNet的自设计十层结构网络进行模型训练，使用传送带实现花生荚果识别分类流水化处理，通过树莓派4B实现人机交互界面显示和视频流捕捉，并将摄像头拍摄到的花生荚果图片传输给FPGA，在FPGA中设计卷积加速电路并部署模型实现花生荚果识别，将FPGA的处理结果返回给树莓派显示，同时将识别结果传输给微型处理器控制气泵实现花生荚果分拣，按照花生荚果粒数和是否破损的特征将花生荚果分别吹入三个出料口中。

1.采用基于SqueezeNet的自设计十层结构卷积神经网络，结合MobileNetV2进行迁移学习，并采用多种方式进行模型轻量化处理。 2.采用FPGA进行卷积加速。通过设计加速电路将模型部署至FPGA实现花生荚果识别。 3.本作品采用花生荚果识别，相较于花生仁的识别，应用的场景更加广泛。 4.在界面设计上，进行了界面简化处理，操作简便，显示清晰，设计了自启动界面，实现了传送带开关自动化。 5.在硬件电路设计上，创新性的增加了光耦电路，采用多通路控制分拣装置。

以ZYNQ-7020实验板为主控，以树莓派4B为图像采集和人机交互模块，以STM32为分拣执行模块。在ZYNQ-7020实验板部署SqueezeNet模型，在模型训练时自设计十层结构网络，采用模型剪枝和量化,采用深度可分离卷积替代标准卷积，结合MobileNetV2进行迁移学习降低数据需求，提高模型泛化能力。使SqueezeNet在保持高精度的同时，大幅减少了计算量和参数量，适合在资源受限的嵌入式设备（如FPGA）上部署。根据荚果的粒数（1~4粒）、是否破损等特征，将花生荚果划分为五类。 在ZYNQ-7020开发板中设计卷积加速电路，利用HLS工具作为主要设计手段，相较于Verilog和VHDL语言，HLS能够降低复杂性和编写难度缩短开发周期，加速功能实现和优化进程。将SqueezeNet中各个神经网络层（主要包括卷积层，池化层，全连接层）分别成独立的IP核，最终构建完整的卷积加速电路结构。 在硬件实现方面，使用树莓派4B外接摄像头、触摸屏和激光传感器实现花生荚果检测拍照，通过USB接口与FPGA进行通信，使用STM32外接激光传感器和继电器控制气泵三个喷嘴，实现精确的花生荚果分拣。

此款花生荚果识别装备是一款可以简化农业生产操作，降低农民劳动强度，基于数据均衡算法和深度迁移学习的花生荚果识别装置改善了以往识别装置准确度低等缺点，进行了一系列关键技术的创新和研制，对我国花生荚果的分拣有着重大意义。通过技术的改进，在提高识别效率，减轻劳动强度，降低成本等方面都有较大的进步。