COVID-19检测

基于fpga的Covid-19肺部感染(肺炎)检测

2019冠状病毒病使2020年成为世界各地每个人难忘的一年。许多人被感染,许多人失去了他们的亲人。

世界卫生组织(WHO)已经建议了许多安全规则来保护人们免受病毒的侵害。此外,高度强调了早期识别Covid-19症状的重要性,如果一个人变得非常不舒服,则要检测病毒对患者身体的影响;尤其是他们的肺。

评估肺损伤最准确的方法之一是胸部x光片。然而,由于世界各地的患者数量很高,快速和高性能的检测方法至关重要。

在这方面,神经网络可以帮助医生在疾病的早期阶段发现肺炎,即双肺感染。

虽然神经网络可以使用许多不同的处理技术来实现,但fpga由于其高性能和可重构性是最佳选择。

由于肺部感染检测的需求,Aldec已经准备了基于FPGA的Covid-19诊断解决方案,与TySOM嵌入式开发板一起工作。使用Zynq MPSoC XCZU19EG在TySOM-3A-ZU19EG设备上计算神经网络算法。

为了利用FPGA上的深度学习检测肺部的Covid-19(冠状病毒)感染,包括3575张图片的数据集已用于训练,136张图片用于算法验证。数据集中的图像分为两组:肺炎患者和非肺炎患者。深度学习算法会将感染和未感染的图片进行分类。本课题使用了Yolov3神经网络。结果通过单板上的Wi-Fi设备发送到单板外。该项目在FPGA中使用了2个深度学习处理单元(DPU)。下图显示了设计布局的概览。

以下是使用深度学习在FPGA上运行Covid-19(冠状病毒)检测的总结:

  • Covid对象检测概率99.97%

图1 FPGA检测Covid-19感染结果

  • 非covid对象检测概率为99.71%

图2 TySOM-3A非covid - 19对象分类结果

在对本项目运行了一些基准测试后,得到了以下结果:

  • 使用Zynq MPSoC US+ ZU19EG芯片的可编程逻辑:
部分 附近地区 LUTRAM FF 布拉姆 DSP IO GT BUFG MMCM
利用率(%) 29.7 9.9 26.6 58.5 60.2 8.8 18.7 2.3 27.2

  • 每秒帧数汇总
DPU核数 应用程序 Yolov3-Custom Yolov3-Example
2 帧/秒 28.1 27.6

  • DPU时钟设置
DPU实例名 dpu_xrt_top_1 dpu_xrt_top_2
DPU Clk Aclk Ap_clk_2 Aclk Ap_clk_2
时钟频率(赫兹) 300 600 300 600

Aldec公司提供了这种解决方案来帮助拯救生命。TySOM板的用户可以访问这个参考设计,并扩展为其添加更多的功能。下面您可以找到该解决方案的内容。

主要特点

  • 包括TySOM-3A-ZU19EG嵌入式开发板
  • 包括如何运行演示的参考设计
  • 高达30 FPS的性能,肺部感染检测
  • 预构建和准备使用文件预加载到SD卡

解决方案内容

  • 基于fpga的COVID-19肺部感染深度学习检测
  • TySOM-3A-ZU19EG葡萄平台
  • 预建的petalinux嵌入式操作系统运行在板上
  • 包括指令和源代码的设计
问我们一个问题
x
问我们一个问题
x
验证码图片 刷新验证码
输入错误的数据。
谢谢你!你的问题已经提交。请允许1-3个工作日的人回答你的问题。
发生内部错误。你的问题没有提交。请使用反馈形式
我们使用cookie以确保我们给您最好的用户体验,并向您提供我们认为将与您相关的内容。如果您继续使用我们的网站,即表示您同意我们使用cookie。关于cookies和其他网站信息使用的详细概述载于我们的网站隐私政策
Baidu