عنوان

طراحی سامانه تشخیص پلاک خودرو به کمک مکانیزم توجه و روش های یادگیری عمیق بر روی سخت افزار

Number

پ۲۵۸۴۸

.Language of Text, Soundtrack etc

per

Title Proper

طراحی سامانه تشخیص پلاک خودرو به کمک مکانیزم توجه و روش های یادگیری عمیق بر روی سخت افزار

First Statement of Responsibility

امین مامندی پور

Name of Publisher, Distributor, etc.

مهندسی برق وکامپیوتر

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۸۷ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی کامپیوترگرایش : معماری سیستم های

Date of degree

۱۳۹۸/۱۰/۲۱

Text of Note

در سال های اخیر باافزایش تعداد وسایل نقلیه و نیاز مبرم به شناسایی پلاک با ساختارهای متفاوت، توجه پژوهشگران به استفاده از شبکه های عصبی در طراحی سامانه های تشخیص پلاک معطوف شده است. از آن جایی که بار محاسباتی این شبکه ها بسیار بالا است، نیاز اساسی به کاهش زمان پردازش و توان مصرفی آن ها وجود دارد. چرا که با توجه به کاربردشان، بی وقفه زیر بار هستند. علی رغم رشد چشمگیر پردازنده های گرافیکی) باتعداد بسیار زیادی هسته پردازشی( در حوزه شبکه های عصبی، مصرف بالای انرژی آن ها پژوهشگران را به فکر ابزاری جایگزین برای پیاده سازی شبکه های عصبی انداخته است. مدارهای مجتمع دیجیتال برنامه پذیر از جدی ترین روش های پیاده سازی مبتنی بر سخت افزار برای شبکه های عصبی به شمار می آیند. هدف این پروژه شتاب دهی سامانه های تشخیص پلاک خودرو مبتنی بر شبکه عصبی بر روی مدارهای مجتمع دیجیتال برنامه پذیر است. در این پروژه برای اولین بار از بستر واحد پردازش یادگیری عمیق از شرکت زایلینکس برای این منظور استفاده شده است. سخت افزار موردنظر برای پیاده سازی آلترا ۹۶نسخه دوم می باشد. ماژول از پیش طراحی شده برای یادگیری عمیق که برای شبکه های عصبی کانولوشنی طراحی شده است، شامل یک ماژول کنترل کننده داده، ماژول پیکربندی رجیستر و ماژول محاسبه کانولوشن است. این واحد به صورت یک بلوک متشکل از کنترلگر منطقی برنامه پذیر با اتصالات مستقیم به سیستم پردازشی ادغام گردد. برای ارزیابی خروجی پروژه از ابزار مدیریت گذرگاه توان استفاده شده است. توان مصرفی مدارهای مجتمع دیجیتال برنامه پذیر حدود ۳۰وات )یک چهارم پردازنده های گرافیکی( اندازه گیری شده است. همچنین دقت ارزیابی مدل آموزش دیده بالای ٪۹۰می باشد. استفاده از سخت افزار برای شتاب دهی به فاز استنتاج شبکه های عصبی که خود حوزه ای نوین در علم محسوب می شود، با مدارهای مجتمع دیجیتال برنامه پذیر درهای جدیدی به سوی شتاب دهی سامانه های مختلفی که از شبکه های عصبی بهره می برند، می گشاید.

Text of Note

In recent years, with the increase in number of vehicles and the need to identify their license plate numbers with different structures, researchers have turned their attention to the use of intelligent automatic number plate recognition systems. Since the computational load of these systems is very high and they are constantly under heavy traffic, there is a urgent need to reduce their processing time and power consumption. Despite the dramatic growth in use of GPUs (with a large number of processing cores) for neural networks, their high energy consumption has promoted researchers to consider an alternative hardware for implementing and running deep learning models. We have used DPUs from Xilinx in order to implement deep learning models on our hardware. This Deep Learning Processing Unit is a programmable engine optimized for convolutional neural networks. It is composed of a high performance scheduler engine, a hybrid computing array module, an instruction fetch unit module, and a global memory pool module. The DPU IP can be integrated as a block in the PL with direct connections to the PS.We have also used PMBus tool which is targeted at digital management of power supplies. The power consumption of programmable circuit was about 30 Watt (a quarter of a GPU). Also, the accuracy of trained models were above 90%. Using FPGAs to accelerate the inference phase of neural networks have opened a lots of new opportunities and challenges to researchers who want to implement their models on edge computing devices

Variant Title

Designing a Car Number Plate Recognition Hardware System using Attention Mechanism and Deep Learning Approaches

Entry Element

مامندی پور

Part of Name Other than Entry Element

‏ امین

Relator Code

تهيه کننده

Entry Element

‏زلفی لیقوان

Entry Element

کریمیان خسروشاهی

Part of Name Other than Entry Element

‏ مینا

Part of Name Other than Entry Element

‏ قادر

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز