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)過兩天激烈角逐，終于在武漢大學落下帷幕。本次大賽前三名的隊伍8月將代表大中華區(qū)參加在美國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)新設計大賽，升級為包括大中華區(qū)、美洲區(qū)、中東歐區(qū)、亞太區(qū)（除中國外）4個區(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個隊伍參加，其中包括大中華區(qū)的143個參賽隊；參賽對象也從學生擴展到了工程師、創(chuàng)客們。

    本次大中華區(qū)參賽作品包括人工智能、機器學習、高性能計算、物聯(lián)網(wǎng)、機器人技術等，極富創(chuàng)意的作品將FPGA的優(yōu)勢發(fā)揮得淋漓盡致，受到專家一致好評！獲獎名單如下：

頒獎禮上，專家也對參賽作品進行了中肯的點評。

An OpenCL-Based FPGA Accelerator for Convolution Neural Networks

專家點評：

    隨著越來越多的人工智能/機器學習的應用涌現(xiàn)，現(xiàn)有的以單一CPU為主的硬件平臺越來越不能滿足日益增長的計算能力的需求了，許多用戶開始謀求使用FPGA來加速各種軟件算法的應用方式。我們這一屆的競賽作品中也涌現(xiàn)出來不少基于FPGA加速的與深度學習相關的作品。

    該作品在DE10-Nano SoC有限的硬件資源條件下，不僅實現(xiàn)了CNN的卷積，池化，激活函數(shù)，全連接等加速功能，還不斷地對性能進行優(yōu)化，實現(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CNN網(wǎng)絡上進行了驗證，不僅實現(xiàn)了ＣＮＮ對圖像的分類，還實現(xiàn)了人臉檢測，SSD等更具實用化的功能。在現(xiàn)場演示時，也實現(xiàn)了對攝像頭實時采集的圖像進行識別，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輸出集成到設計中，從而可以使用單獨一塊板子進行演示，那就更加完美了。

一種硬件友好型非監(jiān)督權(quán)值共享機制 的憶阻神經(jīng)網(wǎng)絡數(shù)字電路設計

專家點評：

    創(chuàng)新性地應用憶阻器原理到神經(jīng)網(wǎng)絡訓練算法中，為FPGA在神經(jīng)網(wǎng)絡中的更多使用打下基礎。為了有效利用FPGA硬件資源，有設計了權(quán)值共享的架構(gòu)，使用更少的資源實現(xiàn)相同的性能。希望接下來團隊可以不僅僅停留在仿真上面，而是用到實際網(wǎng)絡上，得到更有價值的實測數(shù)據(jù)。

智能自動調(diào)音器

專家點評：

    作者制作的智能自動調(diào)音器，是一種樂器輔助工具，能夠?qū)⒂瓤死锢锏认覙菲鞯囊舾哌M行校正。如果進行改進，還可以對小提琴、大提琴、古箏等弦樂器進行調(diào)音，既是樂器經(jīng)銷商青睞的產(chǎn)品，也是樂器初學者必備的工具，市場應用前景廣闊。

    該作品除了調(diào)音功能外，還具有節(jié)拍器和琴弦音高評分的功能，非常實用。特別是對琴弦音高的評分，可以對琴的質(zhì)量做出客觀判斷，這對購買樂器的人來說，又是一個福音，避免了經(jīng)銷商對客戶的忽悠。另外，通過藍牙與手機進行通信，在手機上可以選擇工作模式、頻率、節(jié)拍器界面等，增強了用戶的體驗感。

    作者采用DE10-nano SOC平臺來制作調(diào)音器，主要由A9處理器模塊、音頻采集模塊、步進電機控制模塊、語音播報和LED燈提示、與手機的藍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，送入A9處理器進行處理。其中，采集到的琴弦音頻信號中包含背景噪聲、靜音段以及琴弦音的原始信號，如何從中識別出準確的頻率信息，是調(diào)音的關鍵。

    本設計中另外一個難點是如何根據(jù)所采集到的頻率來控制步進電機的轉(zhuǎn)動？既要保證校正準確、校正時間短，還要避免調(diào)整過度、防止琴弦斷掉。作者采用了粗調(diào)和細調(diào)的方法。

    總之，作品很好地利用了DE10-nano平臺中的微處理器A9和FPGA的資源，通過調(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SD卡上定制的Linux系統(tǒng)，運行用C++編寫的應用程序，實現(xiàn)了整個系統(tǒng)的功能。

    最后，希望作者能夠在GitHUB上開源該項目，為大家學習SOC軟、硬件協(xié)同設計提供一個范例，同時，也希望有人能夠完善該項目，并最終實現(xiàn)產(chǎn)品化。

依聲辨位系統(tǒng)

    “依聲辨位系統(tǒng)”是一個很經(jīng)典的選題，在各種競賽中經(jīng)常出現(xiàn)類似的題目，也是非常實用且有市場應用價值的項目。作品從硬件設計到軟件實現(xiàn)給出了一個比較完整的設計結(jié)果并能夠演示其依聲辨位效果；作品也充分利用了競賽所提供開發(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的地方主要是，系統(tǒng)實現(xiàn)依聲辨位主要采用的是信號幅值最大準則算法，而且在聲音接收傳感器板上沒有充分考慮傳感器間距與聲音波長之間的關系，造成只能對演示的特定聲音頻率效果較好，如果能夠在算法上進一步考慮DOA等陣列信號處理算法效果會更好！

基于Intel FPGA的自動煙葉分級系統(tǒng)

    該作品雖然技術難度不大，但該作品系統(tǒng)設計比較完整，演示效果不錯。該作品可以繼續(xù)完善，可在實際的工業(yè)系統(tǒng)中應用。希望作品可以做更加深入的研究，提升作品的分類準確性。同時應加強共性基礎研究，使之能被廣泛的應用到其它領域，例如產(chǎn)品質(zhì)量分級領域。

麥克風陣列聲源定位與識別系統(tǒng)

    本屆大賽，人工智能無疑是所有參賽隊伍的熱門選題。然而，基于圖像識別的技術并非是人工智能的全部內(nèi)涵。對于圖像，聲音，地理位置等信息的綜合智能處理，都是人工智能技術的不可或缺的組成部分。該參賽作品，獨辟蹊徑，選擇了聲源目標識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陣列作為信號輸出，充分利用了FPGA的硬件并行計算能力，將復雜的算法利用硬件邏輯實現(xiàn)，提高了運輸速度，節(jié)省了CPU資源。

    該參賽作品設計團隊非常完整，成功地展示一個可以實用的設計。理論架構(gòu)描述條理清楚，邏輯分明；實際演示效果也非常清晰，明確。該系統(tǒng)可以廣泛應用于安防，遠程視頻電話，和智能機器人領域。

    該設計在聲音測量的精確度，過濾噪聲，抗干擾能力上，還有進一步提高和改進的空間。

基于FPGA的環(huán)視輔助駕駛系統(tǒng)

    該作品使用了四個攝像頭，通過FPGA實現(xiàn)影像拼接和魚眼校正。該作品除了稍微有點重影瑕疵之外，已經(jīng)接近商業(yè)化水平。該作品完全使用硬件描述語言實現(xiàn)，工作量較大。但比較遺憾的是作品由西安帶來時攝像頭受損，影像最終演示效果。這恰恰說明該作品設計上對于作品的可靠性考慮不太充分，未提前做好發(fā)生故障的預案。由于攝像頭是通過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、車輛報警等功能。

基于深度學習的眼科疾病診斷系統(tǒng)

    醫(yī)電結(jié)合是當今信息技術發(fā)展的一個重要趨勢。中山大學的幾位同學所設計的作品就代表了這種趨勢。這一作品基于FPGA實現(xiàn)了眼科疾病診斷的小型化和便攜化，為方便缺乏基礎設施的邊遠地區(qū)眼病診療提供的便利。但作品僅處于初創(chuàng)階段，對于作品的優(yōu)化尤其是面向FPGA本身的優(yōu)化有較大不足。此外，對于病理數(shù)據(jù)的采集和分析是影響醫(yī)電結(jié)合應用能否較長遠發(fā)展下去的關鍵因素，在這一點上也需要進一步加強。

A getting started tutorial on FPGA implement of CNN using OpenCL

    最大的亮點是使用僅僅120行OpenCL的代碼，在FPGA上實現(xiàn)了CNN中的卷積，池化功能，將CNN計算中最耗時的兩樣處理，用FPGA進行了加速，并提供了一個簡單易用，步驟清晰的教程，給那些希望使用FPGA來進行神經(jīng)網(wǎng)絡加速的初學者，提供了一個非常好的起點。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，圖片接入所實現(xiàn)的ＣＮＮ系統(tǒng)，實現(xiàn)圖像的分類或識別，就更能帶來完美的展示效果了。

肖像寫真器

    該作品通過機械手臂來模擬素描過程，項目有一定的趣味性和實用性，結(jié)構(gòu)也比較完整。但改作品極少中對于系統(tǒng)原理描述過多，對于FPGA設計的內(nèi)容偏少。同時在繪圖時采用了描點法，沒有將線條矢量化，導致繪畫的速度過慢。這導致現(xiàn)成展示效果不佳，沒有發(fā)揮出FPGA并行高效的特點，因而還存在很大的改進空間。

SC-DNN - Deep Neural Network using Stochastic Computing

    隨機計算從2001年開始被廣泛研究以來幾經(jīng)沉浮，最終隨著人工智能的再次興起而大放異彩。基于隨機計算方法的深度神經(jīng)網(wǎng)絡可以在運算精度和網(wǎng)絡規(guī)模上被極大的壓縮，因而成為了近年來研究的熱點。目前在DAC、DATE等國際頂尖學術會議上有大量熱點論文在關注和討論這一問題。但讓我意想不到的是，這一個以前沿研究為背景的作品是在臺灣大學的幾位本科同學的課程設計作業(yè)上擴展而來。幾位同學不但復現(xiàn)了前沿的研究，還提出了一系列自己的想法和改進。從這一點上來看，臺灣大學的課程深度和學生培養(yǎng)質(zhì)量還遠在大陸地區(qū)高校之上，值得我們認真學習和追趕。臺灣大學同學的作品仍然有進一步研究的潛力，希望在回去后能更加深入的開展相關研究，力爭在頂尖學術會議上發(fā)表論文。