[发明专利]基于FPGA及轻量化CNN嵌入式快速核素识别方法

说明书

本发明公开了一种能充分利用芯片资源，更快地计算出识别结果的基于FPGA及轻量化CNN嵌入式快速核素识别方法。该基于FPGA及轻量化CNN嵌入式快速核素识别方法包括以下步骤：S1、模型建立；S2、模型部署；即搭建轻量化卷积神经神经网络MobileNet模型，在FPGA芯片进行部署，包括核脉冲信号特征提取，轻量化卷积神经网络的建立，在FPGA和ARM异构芯片中进行部署。采用上述基于FPGA及轻量化CNN嵌入式快速核素识别方法减少了模型的参数量和计算量，便于模型的实际推广与应用；能够提出不同的加速计算策略，有效地减少核素识别时间。

技术领域

本发明涉及核辐射探测领域，具体涉及一种基于FPGA及轻量化CNN嵌入式快速核素识别方法。

背景技术

众所周知的：放射性核素识别是核安全领域的重要研究内容。随着核能发展与核技术广泛应用，放射性核材料丢失和盗窃事件频发。根据国际原子能机构(IAEA)的事件和贩运数据库(Incident and Trafficking Database,ITDB)统计，自1995年该数据库成立至2020年，已报告事故3500多起，其中约10％已被确认为与贩运或恶意使用核材料有关。因此，在海关、港口等出入境检查中，快速、准确地检测出放射性核素极为重要。

传统放射性核素识别仪器主要由探测器、多道脉冲幅度分析器(Multi-channelAnalyzer,MCA)、能谱分析软件三部分构成。探测器将射线粒子转换为核脉冲信号；MCA对核脉冲进行滤波成型、幅值提取等一系列处理，经各道计数统计形成能谱数据；能谱分析软件对数据进行光滑、寻峰、能量刻度等计算，再与核素库特征能量匹配，从而确定放射性核素种类。长期以来，放射性核素定性检测采用能谱法，但在低计数率、本底噪声较大的环境下，能谱解析难度大，尤其在出入境特定场景下，物品被检测时间短，获取有效脉冲数据少，能谱峰形不显著，识别效果较差。另一方面，嵌入式、智能化已成为放射性探测仪器发展趋势，因此，有必要研究在嵌入式芯片上部署放射性核素识别算法和开发相关装置。

发明内容

本发明所要解决的技术问题是提供一种能充分利用芯片资源，更快地计算出识别结果的基于FPGA及轻量化CNN嵌入式快速核素识别方法。

本发明解决其技术问题所采用的技术方案是：基于FPGA及轻量化CNN嵌入式快速核素识别方法，包括以下步骤：

S1、模型建立；

S11、首先使用核脉冲发生器生成大量核脉冲数据；

S12、利用HHT提取脉冲信号时频特征，建立针对深度学习算法的数据集，按照7:3的比例划分为训练集和测试集；

S13、通过Pytorch深度学习框架；搭建轻量化卷积神经神经网络MobileNet模型，所述MobileNet轻量级卷积神经网络包括卷积层、池化层和全连接层；

对模型不断地进行训练、超参数调优和评估，直至模型对于核素的识别性能达到最佳状态，导出模型权重参数，并将其量化到16bit；

S2、模型部署；

采用XC7Z020芯片进行部署，所述XC7Z020芯片具有FPGA逻辑模块、两个Cortex-A9ARM处理器；

其中两个Cortex-A9 ARM处理器为处理器系统模块；FPGA逻辑模块为可编程逻辑模块；

通过处理器系统模块控制整个模型的执行逻辑，在可编程逻辑模块实现核素识别神经网络的具体计算；

处理器系统模块和可编程逻辑模块之间的数据交互使用AXI数据总线连接；

将网络的权重参数形成Bin文件存入SD卡中，在芯片上电运行时，将SD卡中的数据读入RAM数据缓存区中；核素脉冲特征输入后，依次执行MobileNet的卷积模块、池化模块、全连接模块；