2018年7月1日，由Intel、ADI、ISSI、友晶科技等聯(lián)合舉辦的2018 InnovateFPGA全球創(chuàng)新大賽大中華區(qū)決賽經(jīng)過(guò)兩天激烈角逐，終于在武漢大學(xué)落下帷幕。本次大賽前三名的隊(duì)伍8月將代表大中華區(qū)參加在美國(guó)Intel總部舉行的全球總決賽。

     2018 InnovateFPGA全球創(chuàng)新大賽由連續(xù)舉辦十余屆的亞洲創(chuàng)新設(shè)計(jì)大賽，升級(jí)為包括大中華區(qū)、美洲區(qū)、中東歐區(qū)、亞太區(qū)（除中國(guó)外）4個(gè)區(qū)域的全球創(chuàng)新大賽。據(jù)主辦方介紹，本次大賽吸引了全球441個(gè)隊(duì)伍參加，其中包括大中華區(qū)的143個(gè)參賽隊(duì)；參賽對(duì)象也從學(xué)生擴(kuò)展到了工程師、創(chuàng)客們。

    本次大中華區(qū)參賽作品包括人工智能、機(jī)器學(xué)習(xí)、高性能計(jì)算、物聯(lián)網(wǎng)、機(jī)器人技術(shù)等，極富創(chuàng)意的作品將FPGA的優(yōu)勢(shì)發(fā)揮得淋漓盡致，受到專家一致好評(píng)！獲獎(jiǎng)名單如下：

頒獎(jiǎng)禮上，專家也對(duì)參賽作品進(jìn)行了中肯的點(diǎn)評(píng)。

An OpenCL-Based FPGA Accelerator for Convolution Neural Networks

專家點(diǎn)評(píng)：

    隨著越來(lái)越多的人工智能/機(jī)器學(xué)習(xí)的應(yīng)用涌現(xiàn)，現(xiàn)有的以單一CPU為主的硬件平臺(tái)越來(lái)越不能滿足日益增長(zhǎng)的計(jì)算能力的需求了，許多用戶開(kāi)始謀求使用FPGA來(lái)加速各種軟件算法的應(yīng)用方式。我們這一屆的競(jìng)賽作品中也涌現(xiàn)出來(lái)不少基于FPGA加速的與深度學(xué)習(xí)相關(guān)的作品。

    該作品在DE10-Nano SoC有限的硬件資源條件下，不僅實(shí)現(xiàn)了CNN的卷積，池化，激活函數(shù)，全連接等加速功能，還不斷地對(duì)性能進(jìn)行優(yōu)化，實(shí)現(xiàn)了Alexnet的分類處理一張圖片低于200ms。其優(yōu)化結(jié)構(gòu)的pipe-CNN模塊，在包括Alexnet，VGG，F(xiàn)ast-r-cnn等多個(gè)CNN網(wǎng)絡(luò)上進(jìn)行了驗(yàn)證，不僅實(shí)現(xiàn)了ＣＮＮ對(duì)圖像的分類，還實(shí)現(xiàn)了人臉檢測(cè)，SSD等更具實(shí)用化的功能。在現(xiàn)場(chǎng)演示時(shí)，也實(shí)現(xiàn)了對(duì)攝像頭實(shí)時(shí)采集的圖像進(jìn)行識(shí)別，分類的能力，表現(xiàn)十分優(yōu)秀。如果該作品可以將板上的HDMI輸出集成到設(shè)計(jì)中，從而可以使用單獨(dú)一塊板子進(jìn)行演示，那就更加完美了。

一種硬件友好型非監(jiān)督權(quán)值共享機(jī)制 的憶阻神經(jīng)網(wǎng)絡(luò)數(shù)字電路設(shè)計(jì)

專家點(diǎn)評(píng)：

    創(chuàng)新性地應(yīng)用憶阻器原理到神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法中，為FPGA在神經(jīng)網(wǎng)絡(luò)中的更多使用打下基礎(chǔ)。為了有效利用FPGA硬件資源，有設(shè)計(jì)了權(quán)值共享的架構(gòu)，使用更少的資源實(shí)現(xiàn)相同的性能。希望接下來(lái)團(tuán)隊(duì)可以不僅僅停留在仿真上面，而是用到實(shí)際網(wǎng)絡(luò)上，得到更有價(jià)值的實(shí)測(cè)數(shù)據(jù)。

智能自動(dòng)調(diào)音器

專家點(diǎn)評(píng)：

    作者制作的智能自動(dòng)調(diào)音器，是一種樂(lè)器輔助工具，能夠?qū)⒂瓤死锢锏认覙?lè)器的音高進(jìn)行校正。如果進(jìn)行改進(jìn)，還可以對(duì)小提琴、大提琴、古箏等弦樂(lè)器進(jìn)行調(diào)音，既是樂(lè)器經(jīng)銷商青睞的產(chǎn)品，也是樂(lè)器初學(xué)者必備的工具，市場(chǎng)應(yīng)用前景廣闊。

    該作品除了調(diào)音功能外，還具有節(jié)拍器和琴弦音高評(píng)分的功能，非常實(shí)用。特別是對(duì)琴弦音高的評(píng)分，可以對(duì)琴的質(zhì)量做出客觀判斷，這對(duì)購(gòu)買樂(lè)器的人來(lái)說(shuō)，又是一個(gè)福音，避免了經(jīng)銷商對(duì)客戶的忽悠。另外，通過(guò)藍(lán)牙與手機(jī)進(jìn)行通信，在手機(jī)上可以選擇工作模式、頻率、節(jié)拍器界面等，增強(qiáng)了用戶的體驗(yàn)感。

    作者采用DE10-nano SOC平臺(tái)來(lái)制作調(diào)音器，主要由A9處理器模塊、音頻采集模塊、步進(jìn)電機(jī)控制模塊、語(yǔ)音播報(bào)和LED燈提示、與手機(jī)的藍(lán)牙通信模塊等部分組成。

    音頻采集模塊使用拾音器采集撥動(dòng)琴弦的聲音頻率，送入WM8731音頻編解碼芯片，轉(zhuǎn)換成數(shù)字信號(hào)，送入A9處理器進(jìn)行處理。其中，采集到的琴弦音頻信號(hào)中包含背景噪聲、靜音段以及琴弦音的原始信號(hào)，如何從中識(shí)別出準(zhǔn)確的頻率信息，是調(diào)音的關(guān)鍵。

    本設(shè)計(jì)中另外一個(gè)難點(diǎn)是如何根據(jù)所采集到的頻率來(lái)控制步進(jìn)電機(jī)的轉(zhuǎn)動(dòng)？既要保證校正準(zhǔn)確、校正時(shí)間短，還要避免調(diào)整過(guò)度、防止琴弦斷掉。作者采用了粗調(diào)和細(xì)調(diào)的方法。

    總之，作品很好地利用了DE10-nano平臺(tái)中的微處理器A9和FPGA的資源，通過(guò)調(diào)用內(nèi)部集成的IP和自定制IP，搭建出嵌入式SOC硬件系統(tǒng)，通過(guò)SD卡上定制的Linux系統(tǒng)，運(yùn)行用C++編寫的應(yīng)用程序，實(shí)現(xiàn)了整個(gè)系統(tǒng)的功能。

    最后，希望作者能夠在GitHUB上開(kāi)源該項(xiàng)目，為大家學(xué)習(xí)SOC軟、硬件協(xié)同設(shè)計(jì)提供一個(gè)范例，同時(shí)，也希望有人能夠完善該項(xiàng)目，并最終實(shí)現(xiàn)產(chǎn)品化。

依聲辨位系統(tǒng)

    “依聲辨位系統(tǒng)”是一個(gè)很經(jīng)典的選題，在各種競(jìng)賽中經(jīng)常出現(xiàn)類似的題目，也是非常實(shí)用且有市場(chǎng)應(yīng)用價(jià)值的項(xiàng)目。作品從硬件設(shè)計(jì)到軟件實(shí)現(xiàn)給出了一個(gè)比較完整的設(shè)計(jì)結(jié)果并能夠演示其依聲辨位效果；作品也充分利用了競(jìng)賽所提供開(kāi)發(fā)板的資源，包括FPGA和HPS部分，采用OpenCL完成了主要處理部分的編程。    

    該作品的不足之處及需要改進(jìn)的地方主要是，系統(tǒng)實(shí)現(xiàn)依聲辨位主要采用的是信號(hào)幅值最大準(zhǔn)則算法，而且在聲音接收傳感器板上沒(méi)有充分考慮傳感器間距與聲音波長(zhǎng)之間的關(guān)系，造成只能對(duì)演示的特定聲音頻率效果較好，如果能夠在算法上進(jìn)一步考慮DOA等陣列信號(hào)處理算法效果會(huì)更好！

基于Intel FPGA的自動(dòng)煙葉分級(jí)系統(tǒng)

    該作品雖然技術(shù)難度不大，但該作品系統(tǒng)設(shè)計(jì)比較完整，演示效果不錯(cuò)。該作品可以繼續(xù)完善，可在實(shí)際的工業(yè)系統(tǒng)中應(yīng)用。希望作品可以做更加深入的研究，提升作品的分類準(zhǔn)確性。同時(shí)應(yīng)加強(qiáng)共性基礎(chǔ)研究，使之能被廣泛的應(yīng)用到其它領(lǐng)域，例如產(chǎn)品質(zhì)量分級(jí)領(lǐng)域。

麥克風(fēng)陣列聲源定位與識(shí)別系統(tǒng)

    本屆大賽，人工智能無(wú)疑是所有參賽隊(duì)伍的熱門選題。然而，基于圖像識(shí)別的技術(shù)并非是人工智能的全部?jī)?nèi)涵。對(duì)于圖像，聲音，地理位置等信息的綜合智能處理，都是人工智能技術(shù)的不可或缺的組成部分。該參賽作品，獨(dú)辟蹊徑，選擇了聲源目標(biāo)識(shí)別與定位作為研究方向，令人耳目一新。

    該參賽作品選擇麥克風(fēng)陣列作為信號(hào)輸出，充分利用了FPGA的硬件并行計(jì)算能力，將復(fù)雜的算法利用硬件邏輯實(shí)現(xiàn)，提高了運(yùn)輸速度，節(jié)省了CPU資源。

    該參賽作品設(shè)計(jì)團(tuán)隊(duì)非常完整，成功地展示一個(gè)可以實(shí)用的設(shè)計(jì)。理論架構(gòu)描述條理清楚，邏輯分明；實(shí)際演示效果也非常清晰，明確。該系統(tǒng)可以廣泛應(yīng)用于安防，遠(yuǎn)程視頻電話，和智能機(jī)器人領(lǐng)域。

    該設(shè)計(jì)在聲音測(cè)量的精確度，過(guò)濾噪聲，抗干擾能力上，還有進(jìn)一步提高和改進(jìn)的空間。

基于FPGA的環(huán)視輔助駕駛系統(tǒng)

    該作品使用了四個(gè)攝像頭，通過(guò)FPGA實(shí)現(xiàn)影像拼接和魚眼校正。該作品除了稍微有點(diǎn)重影瑕疵之外，已經(jīng)接近商業(yè)化水平。該作品完全使用硬件描述語(yǔ)言實(shí)現(xiàn)，工作量較大。但比較遺憾的是作品由西安帶來(lái)時(shí)攝像頭受損，影像最終演示效果。這恰恰說(shuō)明該作品設(shè)計(jì)上對(duì)于作品的可靠性考慮不太充分，未提前做好發(fā)生故障的預(yù)案。由于攝像頭是通過(guò)多條杜邦線連接到主板，可靠性較差。建議可改用扁平線纜以提高可靠性。此外，在HPS一側(cè)的功能發(fā)揮不足，在后續(xù)可以考慮增加倒車輔助軌跡、車輛報(bào)警等功能。

基于深度學(xué)習(xí)的眼科疾病診斷系統(tǒng)

    醫(yī)電結(jié)合是當(dāng)今信息技術(shù)發(fā)展的一個(gè)重要趨勢(shì)。中山大學(xué)的幾位同學(xué)所設(shè)計(jì)的作品就代表了這種趨勢(shì)。這一作品基于FPGA實(shí)現(xiàn)了眼科疾病診斷的小型化和便攜化，為方便缺乏基礎(chǔ)設(shè)施的邊遠(yuǎn)地區(qū)眼病診療提供的便利。但作品僅處于初創(chuàng)階段，對(duì)于作品的優(yōu)化尤其是面向FPGA本身的優(yōu)化有較大不足。此外，對(duì)于病理數(shù)據(jù)的采集和分析是影響醫(yī)電結(jié)合應(yīng)用能否較長(zhǎng)遠(yuǎn)發(fā)展下去的關(guān)鍵因素，在這一點(diǎn)上也需要進(jìn)一步加強(qiáng)。

A getting started tutorial on FPGA implement of CNN using OpenCL

    最大的亮點(diǎn)是使用僅僅120行OpenCL的代碼，在FPGA上實(shí)現(xiàn)了CNN中的卷積，池化功能，將CNN計(jì)算中最耗時(shí)的兩樣處理，用FPGA進(jìn)行了加速，并提供了一個(gè)簡(jiǎn)單易用，步驟清晰的教程，給那些希望使用FPGA來(lái)進(jìn)行神經(jīng)網(wǎng)絡(luò)加速的初學(xué)者，提供了一個(gè)非常好的起點(diǎn)。如果能將代碼再做更多的優(yōu)化，提高性能就比較完美了，另外，如果能夠?qū)崿F(xiàn)將外接攝像頭，或者任意獲取的視頻，圖片接入所實(shí)現(xiàn)的ＣＮＮ系統(tǒng)，實(shí)現(xiàn)圖像的分類或識(shí)別，就更能帶來(lái)完美的展示效果了。

肖像寫真器

    該作品通過(guò)機(jī)械手臂來(lái)模擬素描過(guò)程，項(xiàng)目有一定的趣味性和實(shí)用性，結(jié)構(gòu)也比較完整。但改作品極少中對(duì)于系統(tǒng)原理描述過(guò)多，對(duì)于FPGA設(shè)計(jì)的內(nèi)容偏少。同時(shí)在繪圖時(shí)采用了描點(diǎn)法，沒(méi)有將線條矢量化，導(dǎo)致繪畫的速度過(guò)慢。這導(dǎo)致現(xiàn)成展示效果不佳，沒(méi)有發(fā)揮出FPGA并行高效的特點(diǎn)，因而還存在很大的改進(jìn)空間。

SC-DNN - Deep Neural Network using Stochastic Computing

    隨機(jī)計(jì)算從2001年開(kāi)始被廣泛研究以來(lái)幾經(jīng)沉浮，最終隨著人工智能的再次興起而大放異彩。基于隨機(jī)計(jì)算方法的深度神經(jīng)網(wǎng)絡(luò)可以在運(yùn)算精度和網(wǎng)絡(luò)規(guī)模上被極大的壓縮，因而成為了近年來(lái)研究的熱點(diǎn)。目前在DAC、DATE等國(guó)際頂尖學(xué)術(shù)會(huì)議上有大量熱點(diǎn)論文在關(guān)注和討論這一問(wèn)題。但讓我意想不到的是，這一個(gè)以前沿研究為背景的作品是在臺(tái)灣大學(xué)的幾位本科同學(xué)的課程設(shè)計(jì)作業(yè)上擴(kuò)展而來(lái)。幾位同學(xué)不但復(fù)現(xiàn)了前沿的研究，還提出了一系列自己的想法和改進(jìn)。從這一點(diǎn)上來(lái)看，臺(tái)灣大學(xué)的課程深度和學(xué)生培養(yǎng)質(zhì)量還遠(yuǎn)在大陸地區(qū)高校之上，值得我們認(rèn)真學(xué)習(xí)和追趕。臺(tái)灣大學(xué)同學(xué)的作品仍然有進(jìn)一步研究的潛力，希望在回去后能更加深入的開(kāi)展相關(guān)研究，力爭(zhēng)在頂尖學(xué)術(shù)會(huì)議上發(fā)表論文。