FPGA 实现 LeNet-5 卷积神经网络 数字识别，提供工程源码和技术支持
1、前言
LeNet-5简洁
LeNet-5诞生于上世纪90年代，是CNN的开山之作，最早的卷积神经网络之一，用于手写数字识别（图像分类任务），它的诞生极大地推动了深度学习领域的发展。LeNet在多年的研究和迭代后，Yann LeCun将完成的这项开拓性成果被命名为LeNet5，并发表在论文《Gradient-Based Learning Applied to Document Recognition》上，如今的AlexNet、ResNet等都是在其基础上发展而来的，在当年是一种用于手写体字符识别的非常高效的卷积神经网络。如今的卷积神经网络模型早已沧海桑田，但作为基础入门的学习资料，LeNet-5依然在江湖中占有极其重要的一席之地；
基于Zynq7020 的设计说明
本文使用Xilinx的Kirtex Zynq7000系列的Zynq7020–xc7z020clg400-2型号FPGA 实现LeNet-5 卷积神经网络实现数字识别实验；基于Zynq7020的异构特性，本设计的图像采集、图像缓存、图像处理、图像输出用 PL 端的 FPGA 逻辑实现；LeNet-5 卷积神经网络的识别功能采用 PS 端的 SDK C语言软件实现；PS 端软件将识别结果通过 AXI-Lite 总线输出给 PL 端，实现了 PS 端软件与 PL 端硬件的交互；PL 端根据 PS 端软件的识别结果，将识别到的数字输出到显示器上，实现了人机交互；PL 和 PS 端是同步实时进行的；设计所用版本为vivado2019.1；
PL 端 FPGA 逻辑设计
输入视频源采用廉价的小分辨率的ov7725摄像头；Zynq软核通过EMIO模拟i2c总线配置ov7725摄像头分辨率为640x480；然后将输入视频送入纯verilog代码实现的视频采集模块，将DVP视频转换为RGB888视频；然后将视频送入纯verilog代码实现的图像预处理模块，该模块在640x480图像正中心框出一块122x122大小图像区域，该区域作为输入数字图像的采集区域，是后面的LeNet-5卷积神经网络进行识别的区域；然后调用Xilinx官方的 Video In to AXI4-Stream 将RGB888视频转换为AXI4-Stream视频；然后调用Xilinx官方的 VDMA 将视频缓存进PS侧DDR3再读出，为了低延时，VDMA设置为1帧缓存，需要在SDK中配置才能使用；然后调用Xilinx官方的 Video Timing Controller 和 AXI4-Stream to Video Out 将 AXI4-Stream 视频转换为 RGB888视频；然后调用Xilinx官方的 ps_pl_axi_lite 接收 PS 端软件LeNet-5数字识别结果，送入图像后处理模块，该模块例化了10个 ROM ，存储了 0~9 的9个数字，并根据识别结果输出对应的数字到显示屏的右上角显示；然后将图像送入纯verilog代码实现的RGB转HDMI模块，该模块输出HDMI视频到显示器；
PS 端 SDK 软件设计
PS 端实现LeNet-5 卷积神经网络的识别功能，并将识别结果通过AXI-Lite 总线输出给 PL 端；首先在内存开辟一些列缓存空间，用来存储图像和LeNet-5 卷积神经网络计算的中间结果；软件先从 DDR3 中读取 28x28 大小的图像，然后存入事先开辟好的内存，由于需要识别的图像大小为122x122，所以需要取4次才能完整的取完一张图片；然后将图像送入卷积层计算，计算结果存入事先开辟好的内存；然后进行池化层计算，计算结果存入事先开辟好的内存；然后进行隐藏层计算，计算结果存入事先开辟好的内存；然后进行输出层计算，最后将输出结果通过AXI-Lite 总线输出给 PL 端；
免责声明
本工程及其源码即有自己写的一部分，也有网络公开渠道获取的一部分(包括CSDN、Xilinx官网、Altera官网等等)，若大佬们觉得有所冒犯，请私信批评教育；基于此，本工程及其源码仅限于读者或粉丝个人学习和研究，禁止用于商业用途，若由于读者或粉丝自身原因用于商业用途所导致的法律问题，与本博客及博主无关，请谨慎使用。。。
2、相关方案推荐
卷积神经网络解决方案
我的主页有FPGA 卷积神经网络专栏，该专栏有 LeNet、 CNN、 DNN等卷积神经网络FPGA实现方案；以下是专栏地址：
点击直接前往
FPGA图像处理方案
我的主页目前有FPGA图像处理专栏，改专栏收录了我目前手里已有的FPGA图像处理方案，包括图像缩放、图像识别、图像拼接、图像融合、图像去雾、图像叠加、图像旋转、图像增强、图像字符叠加等等；以下是专栏地址：
点击直接前往
3、详细设计方案
本文使用Xilinx的Kirtex Zynq7000系列的Zynq7020–xc7z020clg400-2型号FPGA 实现LeNet-5 卷积神经网络实现数字识别实验；基于Zynq7020的异构特性，本设计的图像采集、图像缓存、图像处理、图像输出用 PL 端的 FPGA 逻辑实现；LeNet-5 卷积神经网络的识别功能采用 PS 端的 SDK C语言软件实现；PS 端软件将识别结果通过 AXI-Lite 总线输出给 PL 端，实现了 PS 端软件与 PL 端硬件的交互；PL 端根据 PS 端软件的识别结果，将识别到的数字输出到显示器上，实现了人机交互；设计框图如下：
PL端：ov7725摄像头及图像采集
输入视频源采用廉价的小分辨率的ov7725摄像头；Zynq软核通过EMIO模拟i2c总线配置ov7725摄像头分辨率为640x480；然后将输入视频送入纯verilog代码实现的视频采集模块，将DVP视频转换为RGB888视频；摄像头采集部分代码如下：
这里采用ov7725摄像头的主要原因是他的分辨率很小，只有640x480@60Hz，卷积神经网络对输入图像的大小求小不求大，因为太大的图像耗费的运算时间很长；
PL端：图像预处理
然后将视频送入纯verilog代码实现的图像预处理模块，该模块在640x480图像正中心框出一块122x122大小图像区域，该区域作为输入数字图像的采集区域，是后面的LeNet-5卷积神经网络进行识别的区域；图像预处理模块代码如下：
图像预处理模块首先对输入图像进行RGB转灰度操作，将RGB888视频转为8bit的灰度图，这样有利于图像识别，因为图像识别需要的只是图像边沿和轮廓的像素信息，RGB分量显然数据量太大，灰度图则完美契合；然后图像进行框选处理，即框选出需要进行识别的区域，正如前面所说，卷积神经网络对输入图像的大小求小不求大，对于640x480的采集图像，我们并不是全部都纳入识别范围，而是选择了0图像正中心框出一块122x122大小图像区域，因为数字本身就不会太大，不太可能整个屏幕全是单个数字吧？实现的效果如下：
PL端：Xilinx推荐的图像缓存架构
然后调用Xilinx官方的 Video In to AXI4-Stream 将RGB888视频转换为AXI4-Stream视频；然后调用Xilinx官方的 VDMA 将视频缓存进PS侧DDR3再读出，为了低延时，VDMA设置为1帧缓存，需要在SDK中配置才能使用；然后调用Xilinx官方的 Video Timing Controller 和 AXI4-Stream to Video Out 将 AXI4-Stream 视频转换为 RGB888视频；这是一套标准的Xilinx推荐的图像缓存架构；
PL端：识别结果的 PL 与 PS 交互
调用Xilinx官方的 ps_pl_axi_lite 接收 PS 端软件LeNet-5数字识别结果，并根据识别结果，将识别到的数字输出到显示器上；axi_lite是一个轻量级总线，在SDK里直接调用API即可写数据；
PL端：图像后处理
s_pl_axi_lite 接收 PS 端软件LeNet-5数字识别结果，送入图像后处理模块，该模块例化了10个 ROM ，存储了 0~9 的9个数字，并根据识别结果输出对应的数字到显示屏的右上角显示；图像后处理模块代码如下：
图像后处理的核心操作是像素替换，当有识别结果输入时，在显示屏右上角显示对应的数字，否则显示原始的ov7725采集像素；实现的效果如下：
PL端：RGB 转 HDMI
然后将图像送入纯verilog代码实现的RGB转HDMI模块，该模块输出HDMI视频到显示器；RGB转HDMI模块代码如下：
PS端：图像获取
软件先从 DDR3 中读取 28x28 大小的图像，然后存入事先开辟好的内存，由于需要识别的图像大小为122x122，所以需要取4次才能完整的取完一张图片；代码如下：
PS端：卷积层计算
然后将图像送入卷积层计算，计算结果存入事先开辟好的内存；代码如下：
卷积模型由Python训练得到，并转换为C语言数组；卷积核详情请看注释，注释还在进一步优化中。。。
PS端：池化层计算
然后进行池化层计算，计算结果存入事先开辟好的内存；代码如下：
池化层详情请看注释，注释还在进一步优化中。。。
PS端：隐藏层计算
然后进行隐藏层计算，计算结果存入事先开辟好的内存；代码如下：
隐藏层详情请看注释，注释还在进一步优化中。。。
PS端：输出层计算
然后进行隐藏层计算，计算结果存入事先开辟好的内存；然后进行输出层计算，最后将输出结果通过AXI-Lite 总线输出给 PL 端；代码如下：
4、vivado工程介绍
PL 端 FPGA 逻辑设计工程
开发板FPGA型号：Xilinx–Zynq7020–xc7z020clg400-2；
开发环境：Vivado2019.1；
输入：OV7725摄像头，分辨率640x480；
输出：HDMI，分辨率640x480；
工程作用：FPGA基于 LeNet-5 卷积神经网络实现数字识别；
工程BD如下：
工程代码架构如下：
工程的资源消耗和功耗如下：
PS 端 SDK 软件设计工程
PS 端 SDK 软件工程代码架构如下：
5、工程移植说明
vivado版本不一致处理
1：如果你的vivado版本与本工程vivado版本一致，则直接打开工程；
2：如果你的vivado版本低于本工程vivado版本，则需要打开工程后，点击文件–>另存为；但此方法并不保险，最保险的方法是将你的vivado版本升级到本工程vivado的版本或者更高版本；
3：如果你的vivado版本高于本工程vivado版本，解决如下：
打开工程后会发现IP都被锁住了，如下：
此时需要升级IP，操作如下：
FPGA型号不一致处理
如果你的FPGA型号与我的不一致，则需要更改FPGA型号，操作如下：
更改FPGA型号后还需要升级IP，升级IP的方法前面已经讲述了；
其他注意事项
1：由于每个板子的DDR不一定完全一样，所以MIG IP需要根据你自己的原理图进行配置，甚至可以直接删掉我这里原工程的MIG并重新添加IP，重新配置；
2：根据你自己的原理图修改引脚约束，在xdc文件中修改即可；
3：纯FPGA移植到Zynq需要在工程中添加zynq软核；
6、上板调试验证并演示
准备工作
Zynq7000系列开发板，我用的Zynq7020；
OV7725摄像头；
HDMI显示器；
打印一张0~9的数字的纸张，字体要加粗，可以用我资料包里的文档打印，打印出来如下：
将显示器中的采集区域对着数字，移动摄像头对准，如下：
输出静态演示
识别结果如下：
输出动态演示
录制了一个小视频，输出动态演示如下：
LeNet-5数字识别
7、福利：工程源码获取
福利：工程代码的获取
代码太大，无法邮箱发送，以某度网盘链接方式发送，
资料获取方式：私，或者文章末尾的V名片。
网盘资料如下：
