Implementacja sieci neuronowych w układach programowalnych FPGA dla potrzeb przetwarzania obrazów w czasie rzeczywistym

• Autorzy: Wiatr K. , Chwiej P.

Warianty tytułu

EN

Neural networks implementation in FPGA programmable chips for real-time image processing

• Języki publikacji: PL

Abstrakty

PL

Celem niniejszego artykułu jest przedstawienie możliwości implementacji wybranej sieci neuronowej do przetwarzania obrazów w układach programowalnych FPGA. Autorzy zakładają, że uczenie sieci neuronowej następuje w komputerze ogólnego przeznaczenia, natomiast implementacja w FPGA dotyczy sieci neuronowej już nauczonej. Sieć komórkowa łączy w sobie cechy sztucznej sieci neuronowej czyli przetwarzania informacji przy użyciu identycznych elementów i prostej strukturze oraz funkcji z modelem automatów komórkowych, czyli regularną budową i lokalnymi połączeniami międzyelementowymi. Charakterystyczne jest także to, że wagi połączeń są stałe, a sieć wykazuje charakter rekurencyjny. Ponadto sieć taka swoją strukturą dobrze odpowiada architekturze wewnętrznej układów programowalnych FPGA, dzięki czemu wyjątkowo korzystnie przebiega jej implementacja w takich strukturach. W artykule przedstawione zostaną przykładowe implementacje w układach programowalnych FPGA firmy Xilinx. W szczególności zostaną zaprezentowane maksymalne osiągnięte szybkości pracy zaimplementowanych sieci, wnoszone opóźnienie oraz związany z tymi sieciami koszt mierzony wielkością użytych zasobów wewnętrznych układu FPGA i odniesiony do szerokości bitowej słowa wejściowego.

EN

In this paper the implementation of fragment digital Cellular Neural Network (CNN) for image processing on the Field Programmable Gate Array (FPGA) and it's experiment results are present. The high processing speed of the network is use to provide real time processing. Results shows that the architecture CNN and FPGA and implementation has good corespondent. The above presented networks are configured in maximum values because, in reality, not all the coefficients of the pattern are non­zero. It is also unnecessary to record the coefficients in 8 bits. This solution occupies considerable area and decreases the system speed. In the analysis, We have introduced two kinds of network: for angle embossment and edge detection. They have 11 non- zero pattern coefficients and they characterize, in comparison to the preceding networks, in good speeds, at little waste of the system area. The speeds, even at 8 bit input and output do not fall below 20 MHz. For the angle embossment network the speed only slightly decreases during the bit increase. The use of the cellular image processor with the application of these networks gives a real chance for the physical utilization of the network. Summing up the results of our work, we can assert that cellular neural networks are suitable for the implementation in FPGA systems. However, the utilization of a network implemented in FPGA systems has to take place with cooperation with other systems. The construction of too large a neural network and its implementation in FPGA system, despite the possibility of using XC2V8000, is not a good solution because it considerably decreases the system speed.

Słowa kluczowe

PL

rekonfigurowalne systemy obliczeniowe; sieci neuronowe; FPGA; układy programowalne; przetwarzanie obrazów

EN

reconfigurable computing systems; neural networks; FPGA; programmable chips; image processing

• Wydawca: Wydawnictwo Naukowe PWN SA
• Czasopismo: Kwartalnik Elektroniki i Telekomunikacji
• Rocznik: 2006
• Tom: Vol. 52, z. 1
• Strony: 115--128
• Opis fizyczny: Bibliogr. 19 poz., tab., wykr.

Twórcy

autor

Wiatr K.

• Akademia Górniczo-Hutnicza, Katedra Elektroniki, al. Mickiewicza 30, 30-059 Kraków
• Akademickie Centrum Komputerowe CYFRONET AGH, ul. Nawojki 11, 30-950 Kraków

autor

Chwiej P.

• Akademia Górniczo-Hutnicza, Katedra Elektroniki, al. Mickiewicza 30, 30-059 Kraków
• Akademickie Centrum Komputerowe CYFRONET AGH, ul. Nawojki 11, 30-950 Kraków

Bibliografia

• 1. T. Kacprzak, K. Ślot: Sieci neuronowe komórkowe - Teoria, projektowanie, zastosowania, Warszawa-Łódź, PWN 1995.
• 2. K. Ślot: Sieci neuronowe komórkowe: efektywne narzędzia przetwarzania informacji obrazowej, Wydawnictwo Politechniki Łódzkiej 1999, Zeszyty Naukowe nr 819.
• 3. www.isi.ee.ethz.cn/~haenggi/CNN-web/CNNsira-adv.html
• 4. L.O. Chua, C.W. Wu: On the Universe of Stable Cellular Neural Networks, International Journal of Circuit Theory and Applications, vol. 20 September - October 1992, pp. 497-518.
• 5. K. Ślot: Analiza projektowania i synteza jednowarstwowych komórkowych sieci neuropodobnych dla celów przetwarzania obrazów, Rozprawa doktorska, Politechnika Łódzka, Łódź 1993.
• 6. M. Ogorzałek, A. Dąbrowski: Theoretical and Experimental Studies of Oscillations in simple CNN Structures, Proceedings of Second Int. Workshop on Cellular Neural Networks and their Applications CNNA'92, Munich, Germany, October 14-16, 1992, pp. 123-128.
• 7. T. Roska, J. Vandewalle: Cellular Neural Networks, Chichester: J. Wiley & Sons 1993.
• 8. F.A. Savaci, J. Vandewalle: On the Stability Analysis of Cellular Neural Networks, IEEE Trans. Circuits and System I, vol. 40 , March 1993, pp. 213-214.
• 9. L.O. Chua, L. Yang: Cellular Neural Networks: Theory and Applications, 1988.
• 10. P.P. Civalleri, M. Gilli, L. Pandolf: On Stability of Cellular Neural Networks with Delay, 1993.
• 11. T. Boros, K. Lotz, A. Radvanyi, T. Roska: Some Useful, New, Nonlinear and Delay Type Templates, Report DNS-1991, Dual and Neural Computing System Laboratory, Hungary Academy of Sciences, Budapest, Hungry, 1991.
• 12. S. Jankowski, R. Wańczuk: Nonlinear CNN Cloning Template for Image Thicking, Proceedings of Second Int. Workshop on Cellular Neural Networks and their Applications CNNA'92, Munich, Germany 1992.
• 13. T. Roska, L.O. Chua: Cellular Neural Networks with Nonlinear and Delay-Type Template Elements, Proceedings of Int. Workshop on Cellular Neural Networks and their Applications CNNA'90, Budapest, Hungary 1990.
• 14. L.O. Chua, B. Shi: Multiple Layer Cellular Neural Networks, A Tutorial, Memo No.UCB/ERL M90/113, University of California, Berkley, 1990.
• 15. L.O. Chua: CNN: A Vision of Complexity, Int. Journ. of Bifurcation and Chaos, 1997.
• 16. T. Roska, L.O. Chua: The CNN Universal Machine: An analogic array computer, IEEE, 1993.
• 17. K. Wiatr: Sprzętowe implementacje algorytmów przetwarzania obrazów w systemach wizyjnych czasu rzeczywistego, Kraków, Wyd. Naukowo-Dydaktyczne AGH 2002.
• 18. www.xilinx.com/partinfo/databook.htm
• 19. K. Wiatr: Akceleracja obliczeń w systemach wizyjnych, Warszawa, WNT 2003.