摘要
电子鼻是一种由传感器阵列和适当的气味识别算法组成的仪器，已广泛应用于食品安全检测、航天飞机和医学诊断等气味检测相关的各行各业中，并发挥着重要的作用。如何设计更高效且低成本的集成电子鼻系统是气味识别的研究热点之一。目前，集成电子鼻设计中，将原本普通电子鼻的传感器阵列模块和识别算法模块两个独立硬件和软件模块集成为一体。这种设计相较于普通电子鼻系统优势明显，避免识别算法使用额外的计算机硬件，降低了电子鼻系统的复杂度，提高了移动性，并且减少了数据传输，这使得电子鼻能够实时地进行气味识别。然而，目前的集成电子鼻系统受硬件系统的限制，存在算法结构简单的集成电子鼻系统气味识别的精度较低，而算法结构复杂的集成电子鼻系统运行速度慢等问题。本文提出一种在低成本的ZYNQ中实现用于气味识别的深度神经网络的方法。首先提出了一种轻量级的基于深度可分离卷积神经网络的气味识别方法（OdorIdentificationwithaDepthwiseSeparableConvolutionalNeuralNetworkV2，OI-DSCNNV2），以减少参数并加快硬件实现性能。其次，OI-DSCNNV2模型在Zynq-7020SoC芯片中基于饱和截位和向下取整-皮尔逊相关系数（SaturationandFlooring-PearsonCorrelationCoefficientscheme，SF-PCC）量化方案实现。最后使用中草药数据集验证了OI-DSCNNV2模型，并且在FPGA上进行仿真实验和硬件实现证明了其有效性。本文主要研究内容总结为以下三点： （1）研究基于深度可分离卷积的气味识别方法。本文提出了一个名为OI-DSCNN的轻量级深度学习气味识别模型，并改进为OI-DSCNNV2气味识别模型。该模型在大量降低深度学习算法在气味识别过程中的参数量的同时，平衡了气味识别算法的速度和准确性。通过实验将OI-DSCNNV2模型应用于中药材数据集。实验结果表明，相较于复杂的深度学习模型如CNN，CNN-SVM和OLCE，OI-DSCNNV2模型的结构更为简单、准确度高且鲁棒性强，而相较于算法结构简单的气味识别模型如：LDA，MLP，DT和PCA+LDA等机器学习算法，OI-DSCNNV2模型的准确度更高。 （2）研究面向FPGA的低精度量化方法。为OI-DSCNNV2模型能够适应FPGA的硬件结构，在ArtyZ7-7020中高速地运行，提出SF-KL和SF-PCC量化方案，并对比两个量化方案。SF-KL和SF-PCC量化方案在使用饱和截位和向下取整的方法量化模型隐藏层输出并分别用KL散度和皮尔逊相关系数选择每层最优截取位置方案。实验结果表明，SF-PCC优于SF-KL，并且该方法减少FPGA资源消耗并保持OI-DSCNNV2模型进行气味识别时的准确性。 （3）基于ZYNQ加速的OI-DSCNNV2模型构建。本文在低成本的基于ZYNQ架构的开发板ArtyZ7-7020中对OI-DSCNNV2模型的总体架构和模块进行了设计和优化。通过研究OI-DSCNNV2的模型结构，合理分配ArtyZ7-7020中的硬件资源。开发基于ArtyZ7-7020的电子鼻气味识别模块，加快了气味识别的速度，解决集成电子鼻系统因算法结构复杂而运行速度慢的问题。
NETL