基于CNN定点卷积神经网络的摄像头数字识别的设计Verilog代码Quartus仿真

名称：基于CNN定点卷积神经网络的摄像头数字识别的设计Verilog代码Quartus仿真

软件：Quartus

语言：Verilog

代码功能：

基于CNN定点卷积神经网络的摄像头数字识别

主要功能如下

1、驱动OV7670摄像头，使其能正常采集图像数据

2、将图像数据显示到SPI显示屏中

3、进行图像处理，并使用卷积神经网络进行实时数字识别

4、本代码已在实际硬件验证，可实时识别数字0~9

FPGA代码Verilog/VHDL代码资源下载：www.hdlcode.com

演示视频：

设计文档：

设计文档.doc

基于CNN定点卷积神经网络的摄像头数字识别

主要功能如下

1、驱动OV7670摄像头，使其能正常采集图像数据

2、将图像数据显示到SPI显示屏中

3、进行图像处理，并使用卷积神经网络进行实时数字识别

4、本代码已在实际硬件验证，可实时识别数字0~9

本代码使用的硬件如下图所示，FPGA型号为EP4CE22F17C6，摄像头为OV7670。显示屏为2.8寸TFT SPI显示屏。

具体FPGA代码介绍如下

1、工程文件

2、程序文件

3、程序编译

4、RTL图

5、管脚分配

整个硬件数据流：摄像头将图像以低频率写入FIFO，然后SDRAM控制器以高频率读取数据。然后FPGA将SDRAM中的数据写入屏幕FIFO。

上板验证视频：

https://www.bilibili.com/video/BV13t98YyEw3/?vd_source=de2ec303d06962114fc8c2919abbcbad

来自摄像头的图片经过SDRAM后，按原样显示在屏幕上，并将图像转换为灰度并降低分辨率的图像输入到神经网络进行识别。当神经网络操作完成后，结果也直接输出到屏幕上。

这是训练神经网络在浅色背景上检测深色数字的项目。 然后使用多种技术将神经网络转换为 Verilog HDL ，以减少 FPGA 上所需的资源并提高处理速度。 整篇文章主要内容如下所示：

识别效果如下所示，显示屏左下角为识别出的文字：

电脑显示数字（手写也可以，要求是浅色背景上检测深色数字（要求是训练集的问题）），通过摄像头采集缓存到SDRAM后在显示屏上显示摄像头数据，然后右下角显示监测到的数字。

FPGA工程位于 ''verilog''文件夹中. 包括摄像头和SPI 显示屏等相关的所有代码。关键的神经网络代码位于''verliog/code/neuroset'' 文件夹中.

部分代码展示:

module test();
parameter SIZE=12;
  reg clk;
  reg GO;
  reg signed [SIZE-1:0] storage [0:783]; 
  
  reg we_database;
  reg [SIZE-1:0] dp_database;
  reg [12:0] address_p_database;
  
  reg [9:0] x;
  
  wire [3:0] RESULT;
  TOP TOP(
.clk(clk),
.GO(GO),
.RESULT(RESULT),
.we_database(we_database), 
.dp_database(dp_database), 
.address_p_database(address_p_database-1'b1),
.STOP(STOP)
  );
initial begin
  clk=0;
  address_p_database=0;
  x=0;
  we_database=1;
  #200 GO=1;
end
always #10 clk=~clk;
always @(posedge clk)
begin
if (we_database)
begin
if (address_p_database<=783) 
begin
dp_database = storage[address_p_database];
address_p_database=address_p_database+1'b1;
end
else we_database=0;
end
if ((x<=28*28)&&(GO)) x=x+1;
else GO=0;
if (STOP==1)
begin
$display("RESULT: %d",RESULT);
$finish;
end
 end
 
initial
begin
storage[0] =  11'b10011110000; // [0.6171875]
storage[1] =  11'b10011111000; // [0.62109375]
storage[2] =  11'b10100000000; // [0.625]
storage[3] =  11'b10100010000; // [0.6328125]
storage[4] =  11'b10100011000; // [0.63671875]
storage[5] =  11'b10100011000; // [0.63671875]
storage[6] =  11'b10100001000; // [0.62890625]
storage[7] =  11'b10011010000; // [0.6015625]
storage[8] =  11'b10001011000; // [0.54296875]
storage[9] =  11'b01111011000; // [0.48046875]
storage[10] =  11'b01101011000; // [0.41796875]
storage[11] =  11'b01100100000; // [0.390625]
storage[12] =  11'b01100011000; // [0.38671875]
storage[13] =  11'b01101000000; // [0.40625]
storage[14] =  11'b01110000000; // [0.4375]
storage[15] =  11'b10000001000; // [0.50390625]
storage[16] =  11'b10010101000; // [0.58203125]
storage[17] =  11'b10100001000; // [0.62890625]
storage[18] =  11'b10100101000; // [0.64453125]
storage[19] =  11'b10100101000; // [0.64453125]
storage[20] =  11'b10100110000; // [0.6484375]
storage[21] =  11'b10100100000; // [0.640625]
storage[22] =  11'b10100100000; // [0.640625]
storage[23] =  11'b10100011000; // [0.63671875]
storage[24] =  11'b10100010000; // [0.6328125]
storage[25] =  11'b10100001000; // [0.62890625]
storage[26] =  11'b10100000000; // [0.625]
storage[27] =  11'b10011110000; // [0.6171875]
storage[28] =  11'b10011101000; // [0.61328125]
storage[29] =  11'b10011111000; // [0.62109375]
storage[30] =  11'b10100000000; // [0.625]
storage[31] =  11'b10100010000; // [0.6328125]
storage[32] =  11'b10100011000; // [0.63671875]
storage[33] =  11'b10100001000; // [0.62890625]
storage[34] =  11'b10010110000; // [0.5859375]
storage[35] =  11'b01110010000; // [0.4453125]
storage[36] =  11'b01010010000; // [0.3203125]
storage[37] =  11'b01000111000; // [0.27734375]
storage[38] =  11'b01000011000; // [0.26171875]
storage[39] =  11'b01000111000; // [0.27734375]
storage[40] =  11'b01000111000; // [0.27734375]
storage[41] =  11'b01000111000; // [0.27734375]
storage[42] =  11'b01000111000; // [0.27734375]
storage[43] =  11'b01010100000; // [0.328125]
storage[44] =  11'b01110110000; // [0.4609375]
storage[45] =

代码文件（付费下载）：