基于加速卷积神经网络算法的紫外成像实时信息处理方法技术

基于加速卷积神经网络算法的紫外成像实时信息处理方法，包括：从FPGA或ASIC或其他形式的集成电路中选型；根据集成电路的片上存储的容量，从需要计算的数据中选择一部分计算数据；将一部分计算数据，卷积神经网络的权重以及卷积神经网络的偏置，通过DMA(Direct Memory Access)从内存中读取到所述片上存储中，然后通过所述集成电路片上存储的数据进行计算以加速卷积神经网络CNN，其中，对于卷积层而言，其能够多次复用输入的数据；将计算得到的数据通过合理的存储方式，安排存放到所述集成电路的片上的输出缓存中，当片上的数据复用结束，将输出缓存中的计算结果通过DMA传输到内存中；重复上述步骤，将剩余部分的数据分块传输到片上进行计算，直至选择完毕所有需要计算的数据。

【技术实现步骤摘要】
基于加速卷积神经网络算法的紫外成像实时信息处理方法
本公开属于电气工程领域，涉及该领域中紫外成像仪的检测结果的数据处理，尤其涉及基于加速卷积神经网络算法的紫外成像实时信息处理方法。
技术介绍
在电气工程领域，紫外成像一般采用光子倍增成像的技术，其成像原理是利用电子光学系统将紫外光转换荧光屏图像，原理如图1所示。国内应用紫外成像手段开展电气设备状态检测的历史最早至少可以追溯至十年前，当时主要采用南非生产的CoroCAM以及以色列生产的OFIL紫外成像装置。国外的装置利用半透镜原理的日盲型紫外检测技术，巧妙的解决了日光对紫外成像的影响，使紫外光呈现在可见光的图像上，并实现放电计数，放电强度评估等功能。虽然现有技术中已经涉及了利用神经网络来处理紫外图谱的技术，但是依然缺乏低功耗的紫外成像实时信息处理技术。
技术实现思路
为了解决上述技术问题，本公开揭示了一种基于加速卷积神经网络算法的紫外成像实时信息处理方法，包括以下步骤：S100：从FPGA或ASIC或其他形式的集成电路中选型；S200：根据所述集本文档来自技高网...

【技术保护点】
1.基于加速卷积神经网络算法的紫外成像实时信息处理方法，包括以下步骤：/nS100：从FPGA或ASIC或其他形式的集成电路中选型；/nS200：根据所述集成电路的片上存储的容量，从需要计算的数据中选择一部分计算数据；/nS300：将所述一部分计算数据，卷积神经网络的权重以及卷积神经网络的偏置，通过DMA(Direct Memory Access)从内存中读取到所述片上存储中，然后通过所述集成电路片上存储的数据进行计算以加速卷积神经网络CNN，其中，对于卷积层而言，其能够多次复用输入的数据；/nS400：将计算得到的数据通过合理的存储方式，安排存放到所述集成电路的片上的输出缓存中，当片上的数据...

【技术特征摘要】
1.基于加速卷积神经网络算法的紫外成像实时信息处理方法，包括以下步骤：
S100：从FPGA或ASIC或其他形式的集成电路中选型；
S200：根据所述集成电路的片上存储的容量，从需要计算的数据中选择一部分计算数据；
S300：将所述一部分计算数据，卷积神经网络的权重以及卷积神经网络的偏置，通过DMA(DirectMemoryAccess)从内存中读取到所述片上存储中，然后通过所述集成电路片上存储的数据进行计算以加速卷积神经网络CNN，其中，对于卷积层而言，其能够多次复用输入的数据；
S400：将计算得...

【专利技术属性】
技术研发人员：张广东，刘康，包艳艳，温定筠，孙亚明，郭陆，高立超，陈博栋，吴玉硕，牛欢欢，王津，李峰，卢武，唐敏，赵文彬，
申请(专利权)人：国网甘肃省电力公司电力科学研究院，上海电力大学，
类型：发明
国别省市：甘肃;62