基于ZYNQ的ARM+FPGA+yolo AI火灾实时监测与识别系统

2.1 总体方案设计流程 
本文研究的是监控系统，因此需要图像采集，系统应能接入摄像头或其他图像传感 器，实时采集图像数据。其次对FPGA进行逻辑设计，实现实时的图像预处理[ 27-28]，包 括去噪、高斯滤波和直方图均衡调整等，以提高后续处理的准确性。为了满足系统的可 拓展性，在ARM上移植Linux操作系统[ 29-30]，配置以太网连接，方便拓展外设。为了 实现硬件加速，调用Xilinx的DPU模块，提高图像处理的效率和性能。其次，系统应 具备长时间稳定的能力。图2.1为总体方案的原理图。2.2 监控系统硬件设计 
本系统的硬件设计包括电路设计、FPGA的逻辑设计、以及PS端的配置。其中PS 端连接SD卡、UART接口、DP接口和以太网接口，在PL中通过逻辑设计自定义IP 核。图2.2为Zynq的硬件架构图。

2.3 监控系统软件设计 
在软件设计中，需要在ARM侧移植Linux，编写摄像头的驱动程序、VDMA的驱

2.4 ZYNQ平台介绍  2.4.1 ZYNQ的开发流程 
在ZYNQ系统级芯片（SoC）的开发流程中，集成了软件与硬件协同设计的理念， 以实现高效的系统性能和功能优化。使用Xilinx套件进行开发，具体包括Vivado、Vitis 软件。图2.4直观表明的Xilinx开发工具的流程。

5.3.2 网络模型训练 
一般模型的准确率随着训练次数增大而增大，不少训练次数下准确率波动比较大， 本设计采用了半监督学习的仿真提升识别效果。将前50轮的产生的最佳模型保存起来， 替代初始化模型作为第二轮的初始化模型，可以发现准确率相对稳定。图5.10为三种不 同模型的损失率与准确率变化曲线。5.3.2 网络模型训练 
一般模型的准确率随着训练次数增大而增大，不少训练次数下准确率波动比较大， 本设计采用了半监督学习的仿真提升识别效果。将前50轮的产生的最佳模型保存起来， 替代初始化模型作为第二轮的初始化模型，可以发现准确率相对稳定。图5.10为三种不 同模型的损失率与准确率变化曲线。

.3.3 DPU加速 
Xilinx的专用神经网络单元DPU模块[ 60-62]，可以高效地进行运算，特别是卷积模 块中，可以为神经网络模块提升更高的速度。在实际的操作中，在PS端的Linux系统 上，调用dpu的ip进行神经网络的计算。图5.11为DPU卷积预算的流程图。