如何在图像处理中应用深度学习技术的详细资料概述

工业应用中FPGA 上的神经元网络(CNN)

深度学习应用凭借其在识别应用中超高的预测准确率，在图像处理领域获得了极大关注，这势必将提升现有图像处理系统的性能并开创新的应用领域。

利用卷积神经网络(Convolutional Neural Network, CNN) 等深层神经网络的解决方案，可以逐渐取代基于算法说明的传统图像处理工作。尽管图像预处理、后期处理和信号处理仍采用现有方法进行，但在图像分类应用中（缺陷、对象以及特征分类），深度学习变得愈加重要。

利用深度学习处理某些任务更简单，效果更好，甚至某些任务只能用深度学习方法来解决。深度学习正在逐渐威胁传统图像处理方法的地位——特别是处理任务中包含有复杂变量时（如反射面、光照不佳的环境、光照变化或移动的对象）。

深度学习具有平移不变性的优点，这部分使用传统处理方式需要大量的投入。但如果需要对图像中的对象或错误进行定位、标定、代码读取或后期处理，则传统算法更具有优势。

图1：传统图像处理及深度学习的适用范围对比。

传统图像处理	深度学习
典型应用	典型应用
l  尺寸测量l  代码读取l  有/无检测l  机器人引导l  印刷检测l  汽车l  电子	l  表面检测（裂纹、划痕）l  食品、植物、木材检测l  塑料、注塑成型l  织物检测l  医疗成像l  农业
典型特征	典型特征
l  对目标有严格要求l  方向固定l  客户提供容差范围内的正式规格l  可靠性100%	l  目标可变l  方向可变l  客户提供模糊的规格，提供Good和Bad零件的样本l  可靠性99%

 

深度学习包括神经网络的训练和学习、网络的实现和推断运算、网络的CNN 算法在图像上的执行与分类结果的输出。用于训练的数据越多，分类的预测精度就会越高。由于数据量庞大，训练神经网络时通常选用GPU。

图2：训练数据越多，预测精度越高。

速度与精度

基于各种不同技术的处理器，是否都能满足工业图像处理中的特殊需求呢？CNN应用必须执行快速（推断）同时满足极低的时延。在满足处理速度的同时，还要满足高带宽、低发热、实时性以及供货周期长这些需求，仅仅使用传统CPU 或GPU 是难以实现的，它们通常可以为非工业领域的图像处理任务提供更合适的解决方案，在这些领域的识别任务尽管同样复杂，但相对较低的数据吞吐性能即可满足需求。各个平台之间区别很大，仅从技术指标方面就能看出，它们无法应用于高要求的任务。尽管GPU 的推断耗时比CPU 或特殊芯片短得多（如TPU -TensorFlow Processing Units、TensorFlow 处理单元以及Intel Movidius处理器），但是其数据吞吐量这项指标只能达到大约每秒50MB这样一个较低的水平。

在通常的图像处理应用中，只需要对少数几个特性进行分类，因此选择小型或中型网络通常就足以应对，AlexNet、SqueezeNet 或MobileNet 都是这类网络的典型代表。这几种网络类型在机器视觉领域，预测精度、网络大小和计算速度以及带宽这几方面有着良好的平衡。这里可以很明显地看到，通过选择合适的网络，可以在牺牲小部分检测精度的同时，获得数据吞吐量方面的极大提高，同时也为优化资源和提高分类质量提供了可能性。

图3：《对用于实际应用的深层神经网络模式的分析》，Alfredo Canziani、Adam Paszke、Eugenio Culurciello (2017)

推断应用中的FPGA 和SoC

在很多图像处理任务的需求中，特别是机器视觉领域，FPGA可以作为独立处理单元或与ARM 处理器一起构成SoC。FPGA 具有高度并行处理能力、稳定的图像采集能力以及相对于CPU 和GPU更高的运算性能、图像帧率和带宽。基于FPGA的CNN应用可完成高带宽的分类工作，这尤其适用于高速在线检测。

FPGA支持直接在图像采集卡或在嵌入式视觉设备上处理图像数据——从采集到输出以及外围设备控制——且无任何CPU占用，这个特点让FPGA特别适用于高强度运算的应用，如CNN。因此未配备GPU 的小型PC 也能使用，从而可降低整体系统成本。在工业环境温度下，FPGA的能效比GPU高十倍，是嵌入式设备的理想之选，这显著扩大了深度学习在工业4.0 以及无人机和自动驾驶领域的应用。

GPU拥有更高的计算精度和更高的预测精度，但这些是以更短的供货周期、更高的功耗以及更低的数据吞吐量为代价的。在一个示范性的对比中，基于FPGA的解决方案的数据处理性能是使用GPU的类似解决方案的7.3倍左右。

图4：FPGA 的性能大约是GPU 性能的7.3倍

优化FPGA 资源

在深度学习领域，存在各种不用降低分类质量就能节省资源的方法。其中之一是通过图像缩放来降低数据吞吐量，或者改变数据位深：我们的项目经验表明，数据的位深对后来的预测精度影响甚微。将数据位深32位浮点数降为8位定点数或整数，可以让FPGA将节省下来的资源用于更大的网络架构，或实现更高的数据吞吐量，从而实现处理速度的提升，这对例如焊缝检测或机器人技术这类应用非常有意义。通过类似的预处理降低数据量，让更适合FPGA的小型网络的使用成为可能，这样的网络通常足以处理缺陷特征较少的简单分类任务。

32 位浮点GPU 虽然拥有更高的计算精度，但这一点对深度学习的推断而言无关紧要，在FPGA中使用8位定点运算的网络，能为大多数深度学习应用提供足够精确的预测精度，误差几乎可以忽略不计。如果需要特别高的计算精度，可以采取一种资源折中策略，在更大的FPGA 上使用16位定点运算。

现在已经有了能完美满足工业生产的高速处理需求的解决方案，通常使用高性能图像采集卡或者嵌入式视觉设备，例如使用大型FPGA和高分辨率传感器的智能相机。利用多种多样的FPGA 资源，可以处理更复杂的架构以及应用。有了更高的数据带宽，能够在FPGA上对整幅图像进行处理，或进行额外的图像预处理以及后期处理，例如对GigE Vision相机的最大数据输出带宽的深度学习运算也完全能够满足。

结语

与传统图像处理相比，深度学习应用需要在训练方面投入较多时间，但是相较其带来的可靠性和处理速度，这些投入是值得的。图像采集卡和（嵌入式）视觉设备上所使用的FPGA技术，令神经网络应用于工业级应用成为可能，这需要强大的实时处理能力、低延迟（实时在线检测）、高数据吞吐量、高带宽和低功耗低发热（嵌入式视觉应用），以及高分辨率。FPGA 及图像采集卡较长的供货周期保障了投资安全性，同时由于系统可快速的整合且整体系统成本较低，用户可以节省长期支出。