轻量级卷积神经网络与早期退出机制的实施,利用40纳米CMOS工艺在无人机中检测火灾
Yu-Pei Liang1, Chen-Ming Chang1, Ching-Che Chung1
1Department of Computer Science and Information Engineering, Advanced Institute of Manufacturing with High-Tech Innovations, National Chung Cheng University, Chia-Yi 621301, Taiwan.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
本研究介绍了一种高效的卷积神经网络 (CNN),用于使用无人机 (UAV) 检测火灾的早期退出机制. 硬件加速模型实现了81.49%的准确性,同时优化了实时灾难监控的功耗.
科学领域:
- 计算机工程 计算机工程
- 人工智能的人工智能
- 灾害管理 灾害管理
背景情况:
- 无人驾驶飞行器 (UAV) 对早期灾难检测至关重要,但高效地处理它们的数据仍然是一个挑战.
- 目前用于无人机数据分析的机器学习解决方案面临高计算成本和能源需求.
- 云计算缺乏实时处理能力,而边缘计算则在灾难救援方面的效率方面扎.
研究的目的:
- 开发一种节能且计算优化的卷积神经网络 (CNN) 模型,用于使用无人机检测火灾.
- 解决云计算和边缘计算在实时灾难监控应用中的局限性.
- 增强基于无人机的灾害响应系统的资源利用率.
主要方法:
- 一个具有早期退出机制的新型卷积神经网络 (CNN) 模型被设计用于火灾检测.
- 采用TSMC 40nm CMOS技术实现了CNN模型,用于硬件加速.
- 通过禁用置存储器组件来降低能耗,采用了电源门技术.
主要成果:
- 实现的CNN模型在硬件上实现了81.49%的最大精度.
- 美国有线电视新闻网 (CNN) 电路在约23万个周期内完成了火灾检测,参数数量很小 (11.2 k).
- 硬件加速器以300MHz的频率运行,消耗117mW的功率,显示出显著的能源效率.
结论:
- 提议的早期退出CNN模型为无人机实时火灾检测提供了有效和高效的解决方案.
- 硬件加速和电源门技术显著提高边缘AI应用程序的计算和能源效率.
- 这种方法提高了无人机的可行性,以便及时和资源高效地监测和应对灾害.
