申请/专利权人：武汉芯昌科技有限公司

申请日：2020-06-22

公开（公告）日：2024-06-11

公开（公告）号：CN111563483B

主分类号：G06V10/94

分类号：G06V10/94;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2020.09.15#实质审查的生效;2020.08.21#公开

摘要：本发明涉及一种基于精简lenet5模型的图像识别方法及系统，精简lenet5模型占用的资源相比现有lenet5模型大大减少，在网络的训练阶段，由于参数的减少，提高了训练的速度；在网络的推理阶段，运算量的减少，使得芯片能够更快的运算出识别结果；在芯片设计层面上，缩减了中间变量、权重和偏置的存储位宽，同时整合了权重、偏置和中间数据存储器，整合后的存储器占用更少的资源和芯片面积；在功耗层面上，由于进行数据存储的存储器面积的减小，以及数据运算量的减少，能够有效降低实际应用中的功耗；因此本发明设计综合提高了图像识别工作效率，将lenet5网络在芯片上的实现变得切实可行。

主权项：1.一种基于精简lenet5模型的图像识别方法及系统，用于实现对目标图像的特征识别，其特征在于，图像识别方法包括如下步骤A至步骤G，其中，基于依次串联的输入层Inputlayers、第一卷积层C1、第一池化层S2、第二卷积层C3、第二池化层S4、第三卷积层C5、全连接层FullLink，实现步骤A至步骤F的执行，其中，第一卷积层C1用于执行步骤A，第一池化层S2用于执行步骤B，第二卷积层C3用于执行步骤C，第二池化层S4用于执行步骤D，第三卷积层C5用于执行步骤E，全连接层FullLink用于执行步骤F：步骤A.基于三组分别包括1个大小为5*5卷积核的卷积核组，应用各卷积核组分别针对目标图像进行卷积处理，并针对各卷积核组所获卷积结果数据，分别加上卷积核组所对应的偏置数据，以此完成对目标图像上所有像素的处理，获得目标图像所对应的3张第一卷积特征图像，然后进入步骤B；步骤B.应用大小为2*2的池化核分别针对各张第一卷积特征图像进行最大池化处理，获得3张第一卷积特征图像分别所对应的第一池化特征图像，即获得3张第一池化特征图像，然后进入步骤C；步骤C.基于两组分别包括3个大小为5*5卷积核的卷积核组，分别针对各卷积核组，应用卷积核组中的3个卷积核分别针对3张第一池化特征图像进行卷积处理，并针对该各卷积核的卷积结果进行相加，以及获得该相加结果与该卷积核组所对应偏置数据的和，以此完成对各张第一池化特征图像上所有像素的处理，获得该卷积核组所对应的第二卷积特征图像，进而获得两卷积核组分别所对应的第二卷积特征图像，即获得2张第二卷积特征图像，然后进入步骤D；步骤D.应用大小为2*2的池化核分别针对各张第二卷积特征图像进行最大池化处理，获得2张第二卷积特征图像分别所对应的第二池化特征图像，即获得2张第二池化特征图像，然后进入步骤E；步骤E.基于十一组分别包括2个大小为5*5卷积核的卷积核组，分别针对各卷积核组，应用卷积核组中的2个卷积核分别针对2张第二池化特征图像进行卷积处理，并针对该各卷积核的卷积结果进行相加，以及获得该相加结果与该卷积核组所对应偏置数据的和，以此完成对各张第二池化特征图像上所有像素的处理，获得该卷积核组所对应的特征数据，进而获得十一组卷积核组分别所对应的特征数据，即获得十一个特征数据，然后进入步骤F；步骤F.基于十组分别包括11个卷积值的卷积值组，分别针对各卷积值组，应用卷积值组中的11个卷积值分别针对十一个特征数据进行卷积处理，并针对该各卷积值的卷积结果进行相加，以及获得该相加结果与该卷积值组所对应偏置数据的和，获得该卷积值组所对应的特征数据，进而获得十组卷积值组分别所对应的结果特征数据，即获得十个结果特征数据，然后进入步骤G；步骤G.针对十个结果特征数据进行大小比较，获得最大结果特征数据，作为目标图像所对应的结果特征，并输出该结果特征的索引，即为目标图像所对应的特征；系统包括输入层存储器、中间层存储器、权重只读存储器、偏置只读存储器、卷积模块、控制器、比较器；其中，输入层存储器的深度为1024、宽度为8bit，输入层存储器用于存储目标图像；中间层存储器的深度为3211、宽度为32bit，中间层存储器用于针对第一卷积层C1、第一池化层S2、第二卷积层C3、第二池化层S4、第三卷积层C5、全连接层FullLink，存储各层的输出结果；权重只读存储器的深度为855、宽度为17bit，权重只读存储器用于针对第一卷积层C1、第二卷积层C3、第三卷积层C5、全连接层FullLink，存储各层参与卷积运算的权重；偏置只读存储器深度为26、宽度为17bit，偏置只读存储器用于针对第一卷积层C1、第二卷积层C3、第三卷积层C5、全连接层FullLink，存储各层执行卷积运算后、参与加法运算的偏置值；卷积模块用于针对第一卷积层C1、第二卷积层C3、第三卷积层C5、全连接层FullLink，存储各层的卷积运算；控制器用于控制和协调输入层存储器、中间层存储器、权重只读存储器、偏置只读存储器、卷积模块之间的工作，实现输入层Inputlayers、第一卷积层C1、第一池化层S2、第二卷积层C3、第二池化层S4、第三卷积层C5、全连接层FullLink，针对步骤A至步骤F的执行；比较器用于针对全连接层FullLink输出的各结果特征数据进行大小比较，并输出最大结果特征数据对应的索引值。

全文数据：

权利要求：

百度查询： 武汉芯昌科技有限公司 一种基于精简lenet5模型的图像识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD