嵌入式视觉应用中的机器学习

汪鑫豪

摘要 随着科学技术的不断发展，目前机器学习已经成为社会发展中一个重要组成，尤其是在嵌入式视觉应用过程中进行机器学习。通过将处理其中进行一个高效的配置设计，从而将可编程逻辑进行有效结合，真正的将可编程逻辑的好处带给科学工作者，帮助其缩短解决问题方案的设计开发时间。

【关键词】嵌入视觉 机器学习 应用分析

1 机器学习的概述

在嵌入式视觉发展过程中机器学习非常重要，通过机器学习能够使多种系统升级为视觉引导的自动化系统。而对于嵌入式视觉应用优势的地方来说，就是相对于其他简单的机器学习系统来说，嵌入式应用采用的是一种二维输入的格式，所以在进行嵌入式机器学习过程中，需要我们使用卷积神经网络结构进行处理二维输入。这种卷积神经网络是相似于前馈网络的一种，通过一个单独的全连通网络加上内置卷积层和子采样层进行相应数据分类。而这种网络结构较为复杂，其输入图像被细分为一系列的重叠小模块，因此在进行应用前必须要通过激活层来创建激活图，从而使其真正的应用到全连通网络上。

2 机器学习框架

因为机器学习本身就是一个非常复杂的问题，因此在进行机器学习框架的构建上，我们必须从头开始，通过定义网络构架以及相关的训练算法，从而保证系统的应用。为了能够使问题简单化，可以通过一些行业标准框架的支持进行应用，例如Caffe框架，能够为我们进行机器学习提供各种模型支持，并且不需要我们从新制定相应的网络框架建设，直接应用这种框架就能够开展需要的计算。此外，为了方便我们的重复使用，用户该能够通过Modelzoo将自己创建的网络模型进行共享，从而为我们研究课题提供帮助。

3 实现嵌入式视觉和机器学习

对于实现嵌入式视觉应用及机器学习，我们基于可编程逻辑进行相应办法的解决，选择一些可编程逻辑架构与相应的处理系统，从而使其完美的组合，不仅拥有较快的处理反应速度，还能够方便我们使用者进行修改，真正的提供给我们一个高效的解决方案。在进行应用过程中，对于一些低时延决策与响应循环非常重要。一般视觉引导的自动化机器人的响应时间能够降低对人员的伤害，因此我们必须要缩短相应时间。为了能够实现这种设想，可以使用现有的可编程逻辑实现视觉处理的流水处理，这样使机器学习能够实现快速化。但是这种方法与传统的方法相比来说需要减少系统的瓶颈问题。因此在使用CPU/CPU作为处理器时，系统在运算过程中，每进行一步都需要外部的DDR进行帮助，从而导致处理信息不能够在内部间传递。而通过采用ARM技术则能够提供内部缓存，避免了上述问题的出现，从而降低处理反应的延时现象，并提高了整个系统的稳定性。

通过对系统的设置，在异构SOC中能够轻松的实现图像的处理与机器学习网络，因此我们基于相关工具的帮助，使系统能够同时支持图像应用以及机器学习。因此系统内部需要同时支持OpenVX和Caffe框架。而OpenVX框架主要是为了能够使内核在进行图像处理时进行加速，并且可以在可编程逻辑中进行，从而帮助建立一个图像处理流水线。而Caffe框架则主要是为了实现机器学习推断引擎，负责处理其余的处理工作。在机器学习的推断引擎实现方案中，对于我们选择使用的数值表示系统，也对使机器学习的性能产生重要影响。对于目前的机器学习应用研究发展，其开始逐渐加大对更高效的降精度定点数值系统的使用次数。这种系统与传统的FP32方法相比，不会对数据的精度造成显著的下降。并且，这种定点数值系统在应用过程中更加方便，可以在可编程逻辑解决方法中理想的实现各种方案。因此，我们在选择相同内核权重时，可以实现最多两个高级运输方案的执行，从而真正的提升了系统的运行能力，并且还能够有效的降低系统功耗。此外，采用这种可编程逻辑方案灵活性，还能够更好的实现降精度点数值表达系统的应用效果。

4 应用分析

为了能够研究嵌入式视觉应用中的机器学习，我们将实际的车辆避碰系统进行分析研究。通过设系统的可编程逻辑中各项功能的不断优化，从而改善系统的自身响应时间。为了能够实现GoogLeNet的解决方法，我们将系统的反应时间与传统的GPU处理反应时间进行比较，二者之间的差距非常明显。我们设计的嵌入式应用机器学习系统中，其能够在2.7ms内发现即将出现的碰撞情况，从而采取紧急的措施进行补救。而传统的GPU处理系统则需要选择大量的架构进行一定的计算才能够进行反应，这些都是以牺牲反应时间作为代价换取的，就二者反应时间上的差距，就能够将碰撞的发生进行决定。

5 结论

综上所述，因为机器学习范围较广，不仅能够在嵌入式视觉中进行应用，其还能够在物联网及云计算中发挥重要的作用。所以，为了能够真正的显示出机器学习对各行各业的帮助，因此需要我们不断的进行学习，不断创新新型的学习模式，从而有效提高企业的生产能力，保证社会经济的发展。

参考文献

[1].Xilinx推出开发者专区，加速嵌入式视觉创新[J]，中国电子商情（基础电子），2016 （12）：54.

[2]王腾腾，基于图编程的嵌入式机器视觉算法平台研究[D].杭州电子科技大学，2016.

[3]王永兵，嵌入式智能视觉测量传感器设计与应用研究[D].北京理工大學，2015.