摘要：通常对STM32单片机的烧录方式有在系统编程(in-system programming,ISP)与在电路编程(in-circuit programmer,ICP)两种方式,而两种方式都需要安装特定驱动与专业软件的电脑执行,这无疑对受环境限制无法使用电脑或没有一定专业知识的用户造成困扰。本项目利用现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)和STM32协同开发一款可下载固件的通用串行总线(universal serial bus,USB)。受FOTA技术(固件更新技术)的启发,该项目把从电脑端编译好的二进制文件或十六进制文件通过STM32 hal库生成的虚拟USB下载到作为闪存(Flash)的W25Q64芯片里,通过STM32与FPGA的通信,把数据从Flash里取出,通过串口发送给FPGA,把FPGA作为随机存储器(Access Memory,RAM)实现数据流速度可调节的输出。

摘要：根据超声波基本原理以及现场可编程逻辑门阵列(FPGA)技术设计了超声波测厚仪及超声波轮式探头,并且实现了基于FPGA的信号处理的软件编程。对管径φ139.7mm,标称壁厚h 7.72mm的标准样管的测量实验结果表明:本文所设计的系统可靠性好,抗干扰能力强,测量精度高,测量误差小于0.1 mm。

摘要：功能验证在处理器芯片开发流程中所占用的时间超过70%,因此优化提升功能验证环节的效率非常必要.软件仿真等传统验证方法提供了包括断言等多种验证机制,以提升验证的细粒度可见性和自检查能力,但是软件仿真运行速度较慢,在高效性方面有明显不足.基于FPGA的硬件原型验证方法能极大地加速验证性能,但其调试能力较弱,虽能快速发现漏洞,但难以定位漏洞出现的具体位置和根本原因,存在有效性不足难题.为同时解决上述功能验证有效性与高效性的问题,提出一种将不可综合的断言语言SVA(SystemVerilog Assertion)自动转换成逻辑等效但可综合的RTL电路的方法,聚焦于断言这一类对设计进行非全局建模、纵向贯穿各抽象层级的验证方式,对基于全局指令集架构(instruction set architecture,ISA)模型的验证能力进行补足.同时,结合FPGA细粒度并行化、高度可扩展的优势,对处理器的验证过程进行硬件加速,提升了处理器的开发效率.实现了一个端到端的硬件断言平台,集成对SVA进行硬件化的完整工具链,并统计运行在FPGA上的硬件化断言的触发和覆盖率情况.实验表明,和软件仿真相比,所提方法能取得超过2万倍的验证效率提升.

摘要：视频超分辨率技术具有广阔的应用前景,但基于深度学习方法的算法复杂度过高,难以实现实时计算.因此,近年来研究者们开始探索基于现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)的超分辨率算法加速器,以利用FPGA的优势来提高算法的性能和能耗,实现实时的视频超分辨率.设计了一种基于FPGA的高效高速双三次线性插值超大规模集成电路(Very Large Scale Integration Circuit,VLSI)架构,可用于4倍实时视频超分辨率.该FPGA架构解决了实现双三次插值过程中所需的复杂内存访问模式的问题,并提出了一种基于乒乓操作的数据重排硬件设计,将算法输出的特定顺序数据重新以行为主进行排列,使得硬件能够直接或较为简单地对接HDMI等视频接口.此外,采用状态机、流水线等方式降低设计功耗和减少时序违例,使得整个硬件设计可以更高频率运行.本研究在Zynq-7020 FPGA上实现了硬件架构,能够实时将qHD(960×540)的视频超采样为UHD(3840×2160)高清视频.实验结果表明,该硬件设计只需缓存1行图像像素,延迟仅为9.6μs,帧率达到192.9 Hz,成功实现实时处理.游戏图像数据集的测试结果表明,该设计峰值信噪比最高可达35.67 dB,结构相似度达到96.3%.

摘要：基于人工智能的目标检测算法作为安防监控、辅助驾驶等方向的核心技术,其在边缘端的应用落地已成为研究热点。一方面,目标检测网络计算量大、参数量多,往往占据器件的大量资源;另一方面,目标检测应用的落地普遍需要满足高效、实时性等要求。针对实际应用场景中以上问题的考量,提出了可增强小目标检测能力的带有旁路(Bypass)的目标检测网络模型,并面向边缘端落地对该模型进行了轻量化和高效并行化设计。其中,轻量化设计方面,运用了深度可分离卷积、BRAM复用、多精度参数等多种优化策略;高效并行化方面,在多尺度上对输入输出通道、卷积核进行了并行化设计。在PYNQ框架下,完成了轻量化高效目标检测平台的搭建,实现帧率达到44.5 FPS、IoU为0.68的检测性能,满足了边缘端落地的需求。

摘要：设计了基于现场可编程逻辑门阵列(field programmable gate array,FPGA)和nRF24L01的无线通信平台架构。以FPGA为主控芯片,设计了串行外设接口(serial peripheral interface,SPI)、直接数字频率合成(direct digital synthesis,DDS)模块以及逻辑控制模块,并对nRF24L01进行芯片配置,实现了FPGA与n RF24L01之间的高速数据交互。通过测试证明,基于FPGA的无线通信平台具有通信速率高、通用性强、性能稳定等特点,能够适用于多种通信应用场景。

摘要：随着微型物体的机器视觉检测技术在市场上逐渐普及,传统现场可编程逻辑门阵列(field programmable gate array,FPGA)在实现图像算法时面临处理速度慢和资源消耗高等挑战。为了克服这些问题,设计了一款基于ZYNQ平台的实时视频边缘检测系统。该系统能够对500万像素摄像头捕获的图像数据进行边缘提取,通过高清多媒体接口(high definition multimedia interface,HDMI)显示屏实时显示处理结果。本系统在确保实时性的前提下,有效降低了资源消耗。这一新的系统架构为需要实时视频反馈的应用场景提供了一种高效的解决方案。

摘要：为了满足声呐信号处理中对多通道信号滤波及增益可调、同步采集、数据快速传输、数据可存储和实时分析的应用需求,设计了多通道采集系统包括多通道采集器和上位机控制界面。该采集器采用高性能现场可编程逻辑门阵列(FPGA)作为主控芯片,使用两颗高精度模数转换器(ADC)AD7768,并结合上位机控制下位机进行数据采集和处理,实现16通道并行数据采集、SD卡数据存储和上位机利用小波变换对接收到的数据进行去噪和时频分析等功能。以实际的水池进行声呐采集试验,该系统采样率可通过上位机配置进行切换,同步性能优于25 ns,数据存储速率为8.2 MB/s,实时性优于1.17 ms,能够满足海底复杂环境下信号特征数据处理的需求。

摘要：针对卷积神经网络在极致边缘计算(UEC)场景应用中的性能和功耗需求,该文针对场景中16 Bit量化位宽的网络模型提出一种不依赖外部存储的卷积神经网络(CNN)加速器架构,该架构基本结构设计为基于现场可编程逻辑门阵列(FPGA)的多核CNN全流水加速器。在此基础上,实现了该加速器的层内映射与层间融合优化。然后,通过构建资源评估模型在理论上完成架构中的计算资源与存储资源评估,并在该理论模型指导下,通过设计空间探索来最大化资源使用率与计算效率,进而充分挖掘加速器在计算资源约束条件下的峰值算力。最后,以纳型无人机(UAV)自主快速人体检测UEC场景为例,通过实验完成了加速器架构性能验证与分析。结果表明,在实现基于单步多框目标检测(SSD)的人体检测神经网络推理中,加速器在100 MHz和25 MHz主频下分别实现了帧率为137和34的推理速度,对应功耗分别为0.514 W和0.263 W,满足纳型无人机自主计算这种典型UEC场景对图像实时处理的性能与功耗需求。

摘要：卷积神经网络(Convolutional Neural Network,CNN)是目前主流视觉算法不可或缺的关键部分.为提高CNN模型推理速度,学界提出了众多异构加速方法以满足不同场景下的多元加速需求.但如何在资源与能耗受限的在轨卫星上稳定高效地加速CNN仍是极具挑战的课题.为此,本文通过软硬件协同设计,着力优化微指令编码、指令级并行和运算级并行3个加速器设计的关键部分,在星上常见的Xilinx VX690T FPGA芯片上设计实现了一种微指令序列调度数据流的CNN加速器.在软件层面,本文提出一种可扩展的微指令编码格式及相应的编译方法.通过卷积循环分块和算子融合策略实现图级别优化,生成加速器可执行的微指令序列.在硬件层面,本文设计实现了一个由微控制器与逻辑运算器组成的RTL级CNN加速器.微控制器通过粗粒度流水线实现各类指令的并行执行.逻辑运算器通过DSP48E1计算资源级联所构建的计算阵列实现卷积算子的细粒度并行运算.实验结果表明,加速器设计功耗10.68 W,在加速YOLOV3Tiny算法时,峰值吞吐率(Runtime Max Throughput,RMT)达到378.63 GOP/s,计算资源利用效率(MAC Efficiency,ME)达到91.5%.相较典型GPU加速方法,本文的加速器有14倍能效提升.相较同类FPGA加速器,ME有6.9%以上的提升.