基于TPU和FPGA的植物叶片病虫害分级检测方法的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-18页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 边缘计算研究现状 | 第10-12页 |
| 1.2.2 TPU 计算架构的研究与应用 | 第12-14页 |
| 1.2.3 深度学习在农业领域的研究与应用 | 第14-15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 2 深度学习基础及典型网络对比 | 第18-35页 |
| 2.1 深度学习基础 | 第18-23页 |
| 2.1.1 人工神经网络 | 第18-20页 |
| 2.1.2 深度学习基础 | 第20-22页 |
| 2.1.3 Caffe 深度学习框架介绍 | 第22-23页 |
| 2.2 卷积神经网络 | 第23-27页 |
| 2.2.1 卷积神经网络基本结构 | 第23-26页 |
| 2.2.2 经典卷积神经网络模型 | 第26-27页 |
| 2.3 FPGA概述 | 第27-28页 |
| 2.4 TPU基本原理和架构 | 第28-32页 |
| 2.4.1 处理器技术 | 第28-29页 |
| 2.4.2 TPU处理单元架构及特性 | 第29-32页 |
| 2.5 TPU+FPGA异构计算 | 第32-33页 |
| 2.6 本章小结 | 第33-35页 |
| 3 植物病虫害分级检测系统的分析与设计 | 第35-52页 |
| 3.1 系统需求分析 | 第35页 |
| 3.2 系统总体架构及实现方案 | 第35-45页 |
| 3.2.1 TPU主要模块设计与工作原理 | 第37-42页 |
| 3.2.2 数据集 | 第42-43页 |
| 3.2.3 深度神经网络模型训练平台 | 第43-44页 |
| 3.2.4 神经网络算法编译 | 第44页 |
| 3.2.5 嵌入式端应、编译及下载 | 第44-45页 |
| 3.3 深度神经网络模型选择及优化算法 | 第45-50页 |
| 3.4 本章小结 | 第50-52页 |
| 4 植物病虫害分级检测方法的实现 | 第52-73页 |
| 4.1 实验环境 | 第52-53页 |
| 4.2 深度神经网络的构建和测试 | 第53-65页 |
| 4.2.1 Caffe深度学习工具安装 | 第53-56页 |
| 4.2.2 深度神经网络构建和训练 | 第56-62页 |
| 4.2.3 网络模型的调优和测试 | 第62-65页 |
| 4.3 算法模型和应用程序编译 | 第65-68页 |
| 4.3.1 TPU算法编译 | 第65-66页 |
| 4.3.2 嵌入式端应用程序实现 | 第66-67页 |
| 4.3.3 嵌入式端应用程序编译 | 第67-68页 |
| 4.4 编译文件和相关SDK下载 | 第68-69页 |
| 4.5 嵌入式端系统测试与结果分析 | 第69-72页 |
| 4.6 本章小结 | 第72-73页 |
| 5 总结及未来工作 | 第73-75页 |
| 5.1 研究工作总结 | 第73-74页 |
| 5.2 未来工作展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间的研究成果 | 第80页 |
