陈栋 田宗浩

摘 要： 本文分析了深度学习算法向工程应用转化存在的问题，结合陆军智能弹药的特点和发展趋势，分别从深度学习模型压缩、量化，硬件平台加速设计以及异构加速框架设计等方面进行研究，提出了面向深度学习的弹载图像处理异构加速体系，实现从算法开发到硬件异构移植的流程化设计。随后，利用DeePhi Tech的异构加速框架DNNDK对Yolo v3模型进行压缩、量化，权重压缩率90%以上，模型参数压缩率80%以上，实现了Yolo v3的轻量化设计。在DPU硬件加速架构的基础上，实现算法向弹载嵌入式平台的移植，其功耗和识别检测效率满足弹载图像处理的要求。

关键词：弹载图像;深度学习;FPGA;脉动阵列;Winograd卷积

中图分类号：TJ760; TP18  文献标识码： A  文章编号：1673-5048（2021）03-0010-08

0 引  言

万物互联时代的到来为部队装备智能化建设带来了新的机遇，信息和微电子等前沿技术在军事领域的广泛应用催生出大批精良的新式装备，使得传统的作战理念发生翻天覆地的变化。对炮兵来说，弹药的智能化水平主要体现在目标自主识别、跟踪及毁伤，完全依靠弹上的控制系统独立完成作战任务，并且命中精度和抗干扰能力更强。目前，国内外对精确制导弹药的研究主要集中在卫星、激光、雷达以及图像等几种模式。其中，卫星制导精度依赖于目标的定位精度，激光制导需要前沿观察所在弹丸工作末期给予激光指引，与雷达制导同属被动制导，易于被敌发现，而图像制导利用图像传感器采集目标反射或辐射的可见光信息形成图像，抗干扰能力强，不易被目标发现，通过充分挖掘图像中的信息实现目标的自主识别、定位和毁伤[1]。……