I. Thiết kế mạng nơ ron tích chập
Phần này tập trung vào thiết kế mạng nơ-ron tích chập (CNN) sử dụng kiến trúc Xception. Mục tiêu chính là tạo ra một mô hình hiệu quả để nhận diện khuôn mặt có hoặc không đeo khẩu trang. Kiến trúc Xception được chọn vì khả năng xử lý hình ảnh phức tạp và hiệu suất cao. Quá trình thiết kế bao gồm việc phân tích các lớp tích chập, lớp tổng hợp, và lớp kết nối đầy đủ. Các hàm kích hoạt như ReLU và Sigmoid cũng được tích hợp để tăng độ chính xác của mô hình.
1.1. Kiến trúc Xception
Kiến trúc Xception là một phiên bản nâng cao của CNN, tập trung vào việc tách biệt các phép tích chập để giảm độ phức tạp tính toán. Kiến trúc này bao gồm ba phần chính: Entry Flow, Middle Flow, và Exit Flow. Mỗi phần được thiết kế để xử lý các đặc trưng khác nhau của hình ảnh, từ đó tối ưu hóa hiệu suất và độ chính xác.
1.2. Tối ưu hóa FPGA
Việc tối ưu hóa FPGA được thực hiện để đảm bảo mô hình có thể chạy hiệu quả trên phần cứng. Các kỹ thuật như giảm số lượng tham số và tối ưu hóa bộ nhớ được áp dụng để phù hợp với tài nguyên của board Virtex-7 VC707.
II. Hiện thực mạng nơ ron tích chập trên FPGA
Phần này mô tả quá trình hiện thực mạng nơ-ron tích chập trên FPGA sử dụng ngôn ngữ Verilog. Các trọng số được huấn luyện trước trên phần mềm như Keras và TensorFlow, sau đó được trích xuất và tích hợp vào thiết kế phần cứng. Quá trình hiện thực bao gồm việc mô phỏng và kiểm tra từng module nhỏ đến khi hoàn thiện toàn bộ hệ thống.
2.1. Mô phỏng thiết kế
Các module như Convolution, Separable Convolution, và Max Pooling được mô phỏng chi tiết để đảm bảo tính chính xác. Kết quả mô phỏng được so sánh với kết quả từ Python để đánh giá hiệu suất và độ tin cậy.
2.2. Tổng hợp IP Xception
Sau khi mô phỏng thành công, các module được tổng hợp thành một IP Xception hoàn chỉnh. IP này được tối ưu hóa để sử dụng trên FPGA, đảm bảo hiệu suất cao và tiết kiệm tài nguyên phần cứng.
III. Ứng dụng và đánh giá
Phần này đánh giá hiệu suất và ứng dụng thực tế của mô hình. Mô hình được sử dụng để nhận diện khuôn mặt có hoặc không đeo khẩu trang, với độ chính xác cao. Kết quả được so sánh giữa Verilog và Python để đảm bảo tính nhất quán.
3.1. Đánh giá hiệu suất
Mô hình được đánh giá dựa trên các tiêu chí như độ chính xác, tốc độ xử lý, và tài nguyên sử dụng. Kết quả cho thấy mô hình đạt hiệu suất cao trên FPGA, với độ chính xác tương đương với kết quả từ Python.
3.2. Ứng dụng thực tế
Mô hình có thể được ứng dụng trong các hệ thống giám sát an ninh, giúp tự động hóa việc nhận diện người đeo khẩu trang. Điều này đặc biệt hữu ích trong bối cảnh dịch bệnh, giúp hạn chế sự lây lan của các bệnh truyền nhiễm.
