标题： 基于FPGA可编程逻辑的加速人工神经网络的红葡萄检测 显示英文标题

标题： Red grape detection with accelerated artificial neural networks in the FPGA's programmable logic

摘要： 机器人通常在搬运时放慢速度以检测移动中的物体。 此外，机器人的摄像头配置为低帧率以跟踪检测算法的速度。 这在执行任务和探索时会受到限制，导致机器人增加任务执行时间。 AMD 开发了 Vitis-AI 框架，将检测算法部署到 FPGAs 上。 然而，此工具并未充分利用 FPGAs 的 PL。 在本工作中，我们使用 FINN 架构将三个 ANNs，即带有 4 位量化的小型网络 v1，带有 2 位量化的小型网络，以及带有 1 位量化（BNN）的小型网络，部署到 FPGA 的 PL 中。 这些模型在 RG2C 数据集上进行训练。 这是一个自行获取并公开访问的数据集。 小型网络 v1 表现更好，达到了 98% 的成功率和 6611 FPS 的推理速度。 在本工作中，我们证明了我们可以使用 FPGAs 加速 ANNs 并使其适用于注意力机制。 显示英文摘要

摘要： Robots usually slow down for canning to detect objects while moving. Additionally, the robot's camera is configured with a low framerate to track the velocity of the detection algorithms. This would be constrained while executing tasks and exploring, making robots increase the task execution time. AMD has developed the Vitis-AI framework to deploy detection algorithms into FPGAs. However, this tool does not fully use the FPGAs' PL. In this work, we use the FINN architecture to deploy three ANNs, MobileNet v1 with 4-bit quantisation, CNV with 2-bit quantisation, and CNV with 1-bit quantisation (BNN), inside an FPGA's PL. The models were trained on the RG2C dataset. This is a self-acquired dataset released in open access. MobileNet v1 performed better, reaching a success rate of 98 % and an inference speed of 6611 FPS. In this work, we proved that we can use FPGAs to speed up ANNs and make them suitable for attention mechanisms.