В ходе работы разработаны алгоритмы и компьютерные программы для распознавания изображений на аппаратном уровне с использованием метода модельно-ориентированного проектирования. Задачи, которые были решены в ходе исследования: 1) Была предпринята попытка создания нейросети на языке Matlab с точностью предсказания 99,08%. 2) Была разработана модель нейросети на языке Python, содержащая 7 слоев с точностью предсказания в 99,54%. 3) Модель нейросети была оптимизирована путем уменьшения количества фильтров в слоях и изменением размера ядра, точность предсказания снизилась до 86,96%. 4) Полученные веса, тестовые изображения, а так же архитектура нейросети были конвертированы в формат, совместимый с ПЛИС. 5) Был проведен логический синтез полученного HDL-кода, результаты которого совпали с теоретическими предположениями. Полученные результаты имеют большое практическое значение во многих сферах деятельности, включая медицину, автоматическое вождение, робототехнику, контроль качества и представляют большой научный интерес в области компьютерного зрения.

The aim of this work is the hardware implementation of a convolutional neural network for image recognition systems. During the research, algorithms and computer programs for image recognition at the hardware level were developed using the model-driven design approach. The following tasks were accomplished during the study: 1) An attempt was made to create a neural network using Matlab with a prediction accuracy of 99.08%. 2) A neural network model was developed using Python language, consisting of 7 layers with a prediction accuracy of 99.54%. 3) The neural network model was optimized by reducing the number of filters in the layers and changing the kernel size, resulting in a decreased prediction accuracy of 86.96%. 4) The obtained weights, test images, and the architecture of the neural network were converted to a format compatible with FPGA. 5) Logical synthesis of the generated HDL code was performed, and the results matched the theoretical assumptions. The obtained results have significant practical value in various fields of activity, including medicine, autonomous driving, robotics, quality control, and represent significant scientific interest in the field of machine vision.

• ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
• 1 Обзор основных архитектур нейросетей
• 2 Оптимизация точности и предотвращение переобучения в нейросетях: влияние гиперпараметров
• 3 Обзор цикла разработки цифровых интегральных схем с использованием языков описания аппаратного уровня
  • 3.1 Процесс проектирования HDL
  • 3.2 Генерация топологии интегральных схем
  • 3.3 Обзор синтаксиса языка Verilog HDL
• 4 Обзор аппаратных реализаций нейронных сетей на ПЛИС
• 5 Реализация сверточной нейронной сети на ПЛИС с использованием Matlab
  • 5.1 Создание архитектуры нейронной сети
  • 5.2 Подготовка алгоритма к аппаратной реализации на ПЛИС
• 6 Реализация сверточной нейронной сети на ПЛИС с использованием Python
  • 6.1 Обоснование выбора языка программирования
  • 6.2 Создание архитектуры нейросети
  • 6.3 Оптимизация нейросетей: анализ сохраненных весов и улучшение производительности
  • 6.4 Перевод данных в формат с фиксированной точкой
• 7 Логический синтез Verilog HDL кода, реализующего сверточную нейронную сеть
  • 7.1 Конвертация в формат, совместимый с ПЛИС
  • 7.2 Реализация блока тестовых воздействий
  • 7.3 Создание UCF– файла
  • 7.4 Преобразование и адаптация изображения для ПЛИС
• 8 Верификация работы полученной схемы на функциональном уровне
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ А
• ПРИЛОЖЕНИЕ Б
• ПРИЛОЖЕНИЕ В
• ПРИЛОЖЕНИЕ Г