一种基于ZYNQ开发板的纺织品智能检测系统

技术领域

本发明近红外光谱应用领域，具体指的是一种基于ZYNQ的纺织品智能检测系统。

背景技术

我国是一个纺织业大国，随着科技的发展，纺织工业逐步进入智能化。利用物理、化学法检测纺织品成分的方法会带来大量的污染和一些安全问题。随着智能算法的普及，传统的识别、分类、检测算法逐步被神经网络取代。不同于传统算法需要复杂的建模，神经网络算法的思路非常清晰、直观。

近年来，国内外对此方向的研究已经有一定的成果。Zoccola等采用NIR光谱学和软独立建模类类比(SIMCA)方法对羊毛、羊绒、牦牛和安哥拉兔毛织物进行鉴定，分类率为98％。孙旭东等根据NIR光谱特性来识别各种织物。与基于NIR光谱的SIMCA和最小二乘-支持向量机(LS-SVM)相比，ELM的模式识别方法具有更好的校准和预测模型性能和更快的计算速度。杜文倩等将人工智能技术引入到废纺织品的识别和分类中。基于NIRS技术，利用CNN建立了多种废纺织品的在线NIR定性识别模型。该模型可应用于自主开发的在线NIR纤维产品高效识别和自动分选装置，对多种废纺织品进行在线高效识别和自动分选。卷积神经网络在纺织业智能监控、废旧纺织品分类和分级等许多领域都已有很好的应用。然而神经网络的待计算参数会随着层数的加深变得更多。目前，对于纺织纤维种类区分的算法存在一些问题，首先面对复杂的纺织纤维的近红外光谱数据需要做过多的预处理操作后才能实现特征提取，纺织纤维区分的准确性不高，传统的算法运行速度慢，降低了纺织纤维识别的效率。

发明内容

本发明是为了解决CPU和一般嵌入式设备对于纺织品分类检测速度慢和经典算法复杂问题，提出了一种基于ZYNQ开发板的纺织品智能检测系统，以期能通过ZYNQ软硬件协同的方式来实现纺织纤维种类的高效和快速区分。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于ZYNQ开发板的纺织品智能检测系统的特点在于，包括：卤素光源、近红外光谱仪、ZYNQ处理系统模块、HDMI显示器；其中，所述ZYNQ处理系统模块包括：驱动模块、ARM处理器模块、DDR存储模块、DMA模块、FPGA；

在所述FPGA上部署有卷积神经网络，且在所述FPGA的ROM中存储有量化好的权重文件；所述卷积神经网络包含有X个卷积层和X个池化层，其中，第x个卷积层的输入为维度为m×m的32位点数矩阵，x＝1,2,…,X；第x个卷积层的输出为维度为(m-n+1)×(m-n+1)的32位定点数矩阵，第x个卷积层的卷积核为K个维度为n×n的32位定点数矩阵，n≤m；输入数据的滑动窗尺度为n×n，横向滑动步长为1，纵向滑动步长为1；

所述近红外光谱仪在驱动模块的驱动下采集所述卤素光源下纺织样品的近红外光谱数据并传输给ZYNQ处理系统模块；

所述DDR存储模块接收所述近红外光谱数据并进行存储；

所述ARM处理器模块从所述DDR存储模块中读取近红外光谱数据并进行归一化处理后，得到近红外光谱灰度图像集合并发送给所述DMA模块，由所述DMA模块将近红外光谱灰度图像集合传输给所述FPGA；

所述FPGA从双口RAM中读取一张近红外光谱灰度图像并存入n×n的寄存器阵列中，再与第x个卷积层的T个卷积核进行卷积计算，得到维度为(m-n+1)×(m-n+1)的第x个卷积结果并存入双口RAM中；

所述FPGA从双口RAM中读取第x个卷积结果并用最大池化的方式对第x个卷积结果进行下采样，得到第x个池化层输出的维度为[(m-n+1)/2]×[(m-n+1)/2]的池化结果；

所述FPGA将第X个池化层输出的池化结果进行全连接计算后，得到卷积神经网络输出的近红外光谱特征并传输给ARM处理器模块；

所述ARM处理器模块利用Softmax运对近红外光谱特征进行分类计算，得到纺织品纺织纤维的分类结果并传输给所述HDMI显示器进行显示。

本发明与现有技术相比的优点在于：

1)本发明采用基于近红外光谱的非接触式纺织纤维检测方案，可以充分利用当下发展迅速的智能深度学习算法，结合基于硬件加速的智能化深度学习算法的嵌入式实现，可以有效的增强鉴别棉、涤纶、羊毛以及蚕丝等四种纺织纤维的目标检测能力和检测效率，从而实现了实时、准确的纺织纤维检测识别。

2)本发明采用了基于改进的卷积神经网络，在原有网络的基础上改进网络结构，提升了网络对于光谱数据的识别能力，同时结合网络权重量化方法，在确保网络识别准确率的同时，提升了网络的推理速率。

3)本发明采用了基于ZYNQ板卡的加速单元实现嵌入式网络模型的实现，在确保网络运行的速率和识别准确度的同时，有效降低了硬件的功耗。

附图说明

图1为本发明系统结构示意图；

图2为本发明纺织纤维检测系统的示意图；

图3为本发明卷积神经网络结构图；

图4为本发明FPGA部署神经网络加速器结构示意图。

具体实施方式

本实施例中，如图1所示，一种基于ZYNQ开发板的纺织品智能检测系统，包括：卤素光源、近红外光谱仪、ZYNQ处理系统模块、HDMI显示器；其中，ZYNQ处理系统模块包括：驱动模块、ARM处理器模块、DDR存储模块、DMA模块、FPGA。目标纺织品检测方法具体包括以下步骤：

搭建纺织纤维智能检测系统和近红外光谱采集系统。具体为：采用如图2所示的纺织纤维近红外光谱采集系统装置，将纺织品样本放在样品台上，通过光纤将卤素光源照射在纺织样品上并接受纺织样品反射的近红外光谱信息，将光谱数据传输到ZYNQ处理系统模块中，在通过ARM处理器将光谱数据转换成符合卷积神经网络输入的近红外光谱灰度特征图存储DDR。将纺织样品的近红外光谱数据转换成近红外光谱灰度图片，可以避免使用过于复杂的近红外光谱预处理方法降低纺织纤维检测的速率。

进一步，在FPGA上部署有卷积神经网络，需要提前设计卷积神经网络模型在自制的数据库上做训练得到权重，的训练具体为：训练时采用的卷积神经网络模型配置参数的设置如下：网络模型的输入设置为M×M，迭代次数设置为N，网络模型的初始学习率设为α，训练过程中迭代N/2次后学习率缩小为原来的1/10，迭代至3N/4次后学习率设为再缩小为原来的1/10，得到卷积神经网络模型的网络权重参数，并采用该网络权重参数，对纺织纤维样本进行目标识别检测，并将检测结果中的目标类别和人工标记得到目标类别进行比较，直至达到最高的检测准确率，将训练得到的网络模型的权重参数进行保存。

在FPGA的ROM中存储有量化好的权重文件；量化的具体方式为：卷积神经网络模型所需要的模型参数全部进行8bit量化，采用8bit量化降低了计算的时间节省了FPGA的资源，同时还保留了计算需要的精度。具体的量化方法是参数放大4096倍，然后在取整，公式如下：

如图3所示，卷积神经网络包含有X个卷积层和X个池化层，其中，第x个卷积层的输入为维度为m×m的32位点数矩阵，x＝1,2,…,X；第x个卷积层的输出为维度为(m-n+1)×(m-n+1)的32位定点数矩阵，第x个卷积层的卷积核为K个维度为n×n的32位定点数矩阵，n≤m；输入数据的滑动窗尺度为n×n，横向滑动步长为1，纵向滑动步长为1；

近红外光谱仪在驱动模块的驱动下采集卤素光源下纺织样品的近红外光谱数据并传输给ZYNQ处理系统模块，卤素灯光源采用的是900-2500纳米的光源，因为在这个波段的纺织纤维的近红外光谱特征峰有较大的区分度，基于纺织纤维近红外光谱特征峰数据区分不同的纺织纤维。

DDR存储模块接收近红外光谱数据并进行存储；ARM处理器通过循环读写状态机的方式完成DDR的读写操作，具体步骤如下：

首先，纺织纤维近红外光谱数据未开始传输时，状态机处于初始状态，当开始传输纺织纤维近红外光谱数据时，外部启动传输脉冲，当检测到传输脉冲为高电平时，状态机跳转到写操作状态。

在写操作状态下，状态机拉高写突发传输信号，来不断地启动AXI4 Master接口对Slave端大小为4KB的存储空间进行突发写操作。完成一次采集的纺织纤维近红外光谱数据写操作后，写操作结束信号会拉高，状态机进入读操作状态。

在读操作状态下，状态机拉高读突发传输信号，不断地启动AXI4 Master接口对Slave端同一存储空间内的纺织纤维近红外光谱数据进行突发读操作，同时将读出的数据与写入的数据进行对比。读操作完成后，读完成信号拉高，状态机进入纺织纤维近红外光谱数据比较状态。

在纺织纤维近红外光谱数据比较状态下，判断AXI4接口在读写过程中的是否发生错误，并将错误状态赋值给ERROR信号，然后将数据比较完成信号拉高，表示一次读写测试完成。最后跳转到初始状态，这样就完成了一次采集的纺织纤维近红外光谱数据的读写。通过上述的方式有效的保证了纺织纤维近红外光谱数据传输的准确性。

ARM处理器模块从DDR存储模块中读取近红外光谱数据并进行归一化处理后，得到近红外光谱灰度图像集合并发送给DMA模块，由DMA模块将近红外光谱灰度图像集合传输给FPGA。

如图4所示，展现了本发明FPGA部署神经网络加速器结构示意图，基于FPGA并行计算的特点，采用并行卷积核的方式完成了卷积层的设计。FPGA从双口RAM中读取一张近红外光谱灰度图像并存入n×n的寄存器阵列中，再与第x个卷积层的T个卷积核进行卷积计算，得到维度为(m-n+1)×(m-n+1)的第x个卷积结果并存入双口RAM中。

FPGA从双口RAM中读取第x个卷积结果并用最大池化的方式对第x个卷积结果进行下采样，得到第x个池化层输出的维度为[(m-n+1)/2]×[(m-n+1)/2]的池化结果；

FPGA将第X个池化层输出的池化结果进行全连接计算后，得到卷积神经网络输出的近红外光谱特征并传输给ARM处理器模块；在全连接层设计时，采用了并行加法树的设计思想。虽然全流程的乘加并行运算占用了较多的FPGA资源，但是就是因为这种简单的设计，一定程度上降低算法设计的复杂度，还保留了算法运行的速度。

ARM处理器模块利用Softmax运对近红外光谱特征进行分类计算，得到纺织品纺织纤维的分类结果并传输给HDMI显示器进行显示。具体的步骤为：FPGA端将Block RAM中的全连接计算结果，通过FIFO缓存，APB总线传输至ARM端，ARM端利用Softmax运算完成近红外光谱特征分类计算，并且调用DIV接口驱动HDMI显示纺织纤维的分类结果。将数据的近红外光谱通过上述方法进行数据处理后放入模型，划分为4个种类，包括纯棉、涤纶、羊毛以及蚕丝。

综上所述，本发明方法通过多标签分类覆盖了棉、涤纶、羊毛、蚕丝、等4种材质，解决了纺织品成分的定性问题，解决了传统物理化学方法费时费力并且污染环境的问题，以快速、环保、清洁无损的方式对纺织纤维的成分进行准确鉴别。