一种基于SOT器件的边缘特征检测电路及方法技术

本发明专利技术提供一种基于SOT器件的边缘特征检测电路，包括：分析单元、第一卷积运算电路、第二卷积运算电路、第三卷积运算电路、第四卷积运算电路、求和电路和输出单元；分析单元与第一卷积运算电路、第二卷积运算电路、第三卷积运算电路和第四卷积运算电路连接；第一卷积运算电路、第二卷积运算电路、第三卷积运算电路和第四卷积运算电路与求和电路连接，求和电路与输出单元连接。本发明专利技术通过四路卷积运算电路实现图像的多路并行卷积分析，提高边缘特征检测的速度；利用SOT器件的二值翻转特征将其作为卷积核器件，通过局部差分来计算检测图像的边缘线条，实现图像边缘特征检测的高精度识别。别。别。

【技术实现步骤摘要】
一种基于SOT器件的边缘特征检测电路及方法


[0001]本专利技术涉及自旋电子器件
，尤其涉及一种基于SOT器件的边缘特征检测电路及方法。

技术介绍

[0002]以卷积神经网络(Convolutional Neural Network，CNN)为核心的深度学习算法已经在图像、语音识别等领域得到大规模应用。然而，随着神经网络结构规模复杂度增加，基于传统冯
·
诺依曼架构的传统计算技术由于存储墙的限制使得计算瓶颈逐渐显现，CNN功能的硬件实现在面积和能源效率等方面面临巨大挑战。基于自旋轨道力矩(Spin
‑
Orbit Torque,SOT)器件的神经形态计算系统，被认为是克服冯
·
诺伊曼架构瓶颈的有效解决方案之一。然而，在面向具体类脑应用场景时，当前研究大多侧重于软件框架的理论计算，实际应用时器件的激励模式、混合集成方法、整体架构设计还有待进一步研究和拓展。与此同时，利用SOT器件搭建简易实物电路，以SOT器件为核心的神经形态电路在实际应用场景下的可行性亟待研究。

技术实现思路

[0003]为解决上述技术问题，本专利技术提供一种基于SOT器件的边缘特征检测电路，包括：
[0004]分析单元、第一卷积运算电路、第二卷积运算电路、第三卷积运算电路、第四卷积运算电路、求和电路和输出单元；
[0005]分析单元与第一卷积运算电路、第二卷积运算电路、第三卷积运算电路和第四卷积运算电路连接；
[0006]第一卷积运算电路、第二卷积运算电路、第三卷积运算电路和第四卷积运算电路与求和电路连接，求和电路与输出单元连接。
[0007]优选的，第一卷积运算电路包括：脉冲信号源I1、SOT器件SOT1、运算放大器U1、运算放大器U2和滑动变阻器R9；
[0008]脉冲信号源I1与SOT器件SOT1的1端连接，SOT器件SOT1的2端与运算放大器U1的正极连接，SOT器件SOT1的4端与运算放大器U1的负极和运算放大器U2的正极连接，SOT器件SOT1的3端与滑动变阻器R9连接，运算放大器U1的输出端与运算放大器U2的正极连接，运算放大器U2的输出端与运算放大器U2的负极和求和电路连接，运算放大器U2的负极与滑动变阻器R9连接；
[0009]第二卷积运算电路包括：脉冲信号源I2、SOT器件SOT2、运算放大器U3、运算放大器U4和滑动变阻器R18；
[0010]第三卷积运算电路包括：脉冲信号源I3、SOT器件SOT3、运算放大器U5、运算放大器U6和滑动变阻器R27；
[0011]第四卷积运算电路包括：脉冲信号源I4、SOT器件SOT4、运算放大器U7、运算放大器U8和滑动变阻器R36；
[0012]第一卷积运算电路、第二卷积运算电路、第三卷积运算电路和第四卷积运算电路的电路结构相同。
[0013]优选的，SOT器件对应四端口SPICE电学模型，SOT器件的1端和3端为电流端，SOT器件的2端和4端为电压端；
[0014]阈值电流设置为
±
28mA，高阻态为0.6Ω，低阻态为
‑
0.6Ω，初始状态设置为高阻态0.6Ω。
[0015]优选的，求和电路包括：运算放大器U9、电阻R42和电阻R37；
[0016]运算放大器U9的负极与运算放大器U1的输出端、运算放大器U2的输出端、运算放大器U3的输出端和运算放大器U4的输出端连接；
[0017]运算放大器U9的正极通过电阻R37接地，运算放大器U9的输出端通过电阻R42与运算放大器U9的负极连接，运算放大器U9的输出端与输出单元连接。
[0018]一种基于SOT器件的边缘特征检测方法，基于上述的基于SOT器件的边缘特征检测电路实现，包括步骤：
[0019]S1：分析单元获取原始图像，将原始图像映射为四路电流；
[0020]S2：将四路电流输入对应的四路卷积运算电路进行边缘检测，输出四路霍尔电压；
[0021]S3：求和电路将四路霍尔电压进行求和以及边缘提取操作，获得边缘提取图像，通过输出单元将边缘提取图像进行输出。
[0022]优选的，步骤S1具体为：
[0023]S11：设置映射框，映射框包括：第一子框、第二子框、第三子框和第四子框；
[0024]S12：将映射框在原始图像上滑动，依次遍历原始图像上的所有像素点；
[0025]S13：将第一子框内的像素点映射为第一电流，第二子框内的像素点映射为第二电流，第三子框内的像素点映射为第三电流，第四子框内的像素点映射为第四电流；
[0026]S14：将第一电流输入第一卷积运算电路，将第二电流输入第二卷积运算电路，将第三电流输入第三卷积运算电路，将第四电流输入第四卷积运算电路。
[0027]优选的，步骤S2具体为：
[0028]S21：SOT器件通过电流计算获得原始图像上像素点的特征值，像素点(i,j)的特征值Δim可表示为：
[0029]Δim＝|im(i,j)
‑
im(i+1,j+1)|+|im(i+1,j)
‑
im(i,j+1)|
[0030]其中，im为原始图像的像素矩阵，i为像素点横坐标，j为像素点纵坐标；
[0031]S22：卷积运算电路将对应SOT器件计算输出的像素点的特征值转化为霍尔电压，经过两个运算放大器依次放大后输出至求和电路。
[0032]优选的，步骤S3具体为：
[0033]S31：求和电路将四路霍尔电压进行求和获得最终霍尔电压，通过最终霍尔电压获取图像中各像素点的特征值；
[0034]S32：计算获得各相邻像素点的特征值的差值，若特征值的差值大于0则表示为边缘，最终仅保留属于边缘的像素点，获得边缘提取图像。
[0035]本专利技术具有以下有益效果：
[0036]通过四路卷积运算电路实现图像的多路并行卷积分析，提高边缘特征检测的速度；利用SOT器件的二值翻转特征将其作为卷积核器件，通过局部差分来计算检测图像的边
缘线条，实现图像边缘特征检测的高精度识别，为下一代低功耗、高密度的神经形态计算系统的实现奠定基础。
附图说明
[0037]图1为基于SOT器件的边缘特征检测电路的原理图；
[0038]图2为SOT器件膜层结构及电学调控示意图；
[0039]图3为SOT器件电流驱动翻转特性示意图；
[0040]图4为SOT器件高低阻态随正负极性电流脉冲变化特性示意图；
[0041]图5为不同SOT器件阻态差异性示意图；
[0042]图6为输入原始图像和输出边缘提取图像示意图；
[0043]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0044]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0045]参照图1，本专利技术提供一种基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SOT器件的边缘特征检测电路，其特征在于，包括：分析单元、第一卷积运算电路、第二卷积运算电路、第三卷积运算电路、第四卷积运算电路、求和电路和输出单元；分析单元与第一卷积运算电路、第二卷积运算电路、第三卷积运算电路和第四卷积运算电路连接；第一卷积运算电路、第二卷积运算电路、第三卷积运算电路和第四卷积运算电路与求和电路连接，求和电路与输出单元连接。2.根据权利要求1所述的基于SOT器件的边缘特征检测电路，其特征在于，第一卷积运算电路包括：脉冲信号源I1、SOT器件SOT1、运算放大器U1、运算放大器U2和滑动变阻器R9；脉冲信号源I1与SOT器件SOT1的1端连接，SOT器件SOT1的2端与运算放大器U1的正极连接，SOT器件SOT1的4端与运算放大器U1的负极和运算放大器U2的正极连接，SOT器件SOT1的3端与滑动变阻器R9连接，运算放大器U1的输出端与运算放大器U2的正极连接，运算放大器U2的输出端与运算放大器U2的负极和求和电路连接，运算放大器U2的负极与滑动变阻器R9连接；第二卷积运算电路包括：脉冲信号源I2、SOT器件SOT2、运算放大器U3、运算放大器U4和滑动变阻器R18；第三卷积运算电路包括：脉冲信号源I3、SOT器件SOT3、运算放大器U5、运算放大器U6和滑动变阻器R27；第四卷积运算电路包括：脉冲信号源I4、SOT器件SOT4、运算放大器U7、运算放大器U8和滑动变阻器R36；第一卷积运算电路、第二卷积运算电路、第三卷积运算电路和第四卷积运算电路的电路结构相同。3.根据权利要求2所述的基于SOT器件的边缘特征检测电路，其特征在于，SOT器件对应四端口SPICE电学模型，SOT器件的1端和3端为电流端，SOT器件的2端和4端为电压端；阈值电流设置为
±
28mA，高阻态为0.6Ω，低阻态为
‑
0.6Ω，初始状态设置为高阻态0.6Ω。4.根据权利要求1所述的基于SOT器件的边缘特征检测电路，其特征在于，求和电路包括：运算放大器U9、电阻R42和电阻R37；运算放大器U9的负极与运算放大器U1的输出端、运算放大器U2的输出端、运算放大器U3的输出端和运算放大器U4的输出端连接；运算放大器U...

【专利技术属性】
技术研发人员：李雯迪，董凯锋，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：