9、基于深度学习的FPGA道路裂缝检测与轨道电路维护的机器学习模型

基于深度学习的FPGA道路裂缝检测与轨道电路维护的机器学习模型

在现代科技领域，道路裂缝检测和轨道电路维护是两个重要的研究方向。本文将介绍基于FPGA的道路裂缝检测系统以及用于地铁环境中轨道电路预防性维护的简单非回归知情机器学习模型。

基于FPGA的道路裂缝检测系统

为了评估检测系统的性能，研究人员在特定设备上对卷积神经网络（CNN）进行了推理。实验使用了AMD - Xilinx的ZC706和ZCU102开发板，并应用了单精度和8位整数数据类型量化。

1. 不同开发板和数据类型的实现结果
   • 资源使用情况 ：包括查找表（LUT）、LUTRAM、触发器（FF）、块随机存取存储器（BRAM）、数字信号处理器（DSP）、输入输出（IO）、缓冲器（BUFG）、混合模式时钟管理器（MMCM）和锁相环（PLL）等资源在不同开发板和数据类型下的使用比例。具体数据如下表所示：
     | 资源 | ZC706 INT8 | ZC706 single | ZCU102 INT8 | ZCU102 single |
     | — | — | — | — | — |
     | LUT | 142,028 (64.97%) | 146,345 (66.95%) | 218,509 (79.72%) | 256,476 (93.58%) |
     | LUTRAM | 13,600 (19.32%) | 25,158 (35.74%) | 15,092 (10.48%) | 34,203 (23.75%) |
     | FF | 154,045 (35.23%) | 156,5