Implementazione in FPGA di una rete neurale convolutiva profonda per l'elaborazione in tempo reale di immagini

Il seguente progetto di tesi tratta l’implementazione e la verifica delle performance di una CNN, rete neurale convolutiva profonda, composta di 7 layer formali (di cui un layer convolutivo CONV e due fully-connected FC), che ha come scopo l’elaborazione di immagini in tempo reale. Dopo una prima introduzione alle neural network, alle sue applicazioni (in particolar modo nel image-processing e nell’Industry 4.0) e alla tecnica di progettazione FPGA, si descrivono dapprima nel dettaglio tutti i diversi blocchi costitutivi della CNN (programmati in VHDL) e successivamente si riportano i risultati della sua sintesi con commenti relativi alle performance ottenute. In particolar modo, nella trattazione della struttura di ChainOfComponents (nome della CNN implementata), vengono descritti i costituenti dei seguenti layer: (1) CONV, composto dai componenti Kernel e Filter; (2) Non linearità, settata su una funzione ReLU; (3) Maxpooling, basata sulla ricerca del massimo (componente Max); (4) 1° FC, che si appoggia su una interconnessione di elementi di calcolo elementari detti neuroni (NetworkOfNeurons); (5) ReLU del 1° FC; (6) 2° FC; (7) ReLU del 2° FC. Per quanto riguarda invece la trattazione delle performance ottenute, questa si basa su una duplice verifica sull’implementato: un controllo della correttezza funzionale basato sugli applicativi ModelSim e Matlab e una compilazione e sintesi eseguita da Quartus Prime 17.1. Si approfondiscono infine possibili miglioramenti e sviluppi di ChainOfComponents e le sue possibili prospettive future.