THÔNG TIN TÀI LIỆU
ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI ĐẠI HỌ HỌC BÁCH KHOA CHHOEUNG YEAN THIẾ THI ẾT K Ế ASIC CHO BỘ B Ộ L LỌ ỌC FIR CÔNG SUẤ SUẤT THẤ THẤP Chuyên ngành: K ỹ thuật điện tử Mã số: 1678001 LUẬN VĂN THẠC SĨ TP.HỒ CHÍ MINH, tháng 12 năm 2018 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM Cán bộ hướ ng ng dẫn khoa học : (Ghi rõ họ, tên, học hàm, học vị và chữ ký) Cán bộ chấm nhận xét : (Ghi rõ họ, tên, học hàm, học vị và chữ ký) Cán bộ chấm nhận xét : (Ghi rõ họ, tên, học hàm, học vị và chữ ký) Luận văn thạc sĩ đượ c bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày tháng năm Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ) Xác nhận Chủ tịch Hội đồng đánh giá LV Trưở ng ng Khoa quản lý chuyên ngành sau luận văn đượ c sửa chữa (nếu có) CHỦ CH Ủ TỊ TỊCH HỘI HỘI ĐỒNG ĐỒNG TRƯỞ NG NG KHOA ………… ………… ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM NAM Độc lập - Tự - Hạnh phúc NHIỆ NHI ỆM VỤ VỤ LU LUẬN ẬN VĂN THẠC SĨ SĨ Họ tên học viên: Chhoeung Yean Ngày, tháng, năm sinh: 12/11/1987 Chuyên ngành: Kỹ thuật điện tử MSHV: 1678001 Nơi sinh: Campuchia Mã số: 60520203 I. TÊN ĐỀ TÀI: ĐỀ TÀI: THIẾ THIẾT K Ế ASIC CHO BỘ BỘ LỌ LỌC FIR CÔNG SUẤ SUẤT THẤ THẤP II. NHI NHIỆ ỆM VỤ VÀ NỘI DUNG: Thiết k ế đượ c chip có thể tối ưu đượ c cơng suất vớ i thuật tốn bộ lọc FIR tr ễ và diện tích CMOS vi mạch số III. NGÀY GIAO NHIỆ NHIỆM VỤ VỤ : 15/01/2018 IV. NGÀY HOÀN THÀNH NHIỆ NHIỆM VỤ VỤ: 30/12/2018 V. CÁN BỘ BỘ HƯỚ NG NG DẪ DẪN: TS Trương Quang Vinh Tp HCM, ngày tháng năm 20 CÁN BỘ HƯỚNG DẪN DẪN CHỦ NHIỆM BỘ BỘ MÔN ĐÀO TẠO TẠO (Họ tên chữ ký) (Họ tên chữ ký) TRƯỞNG KHOA….……… KHOA….……… (Họ tên chữ ký) G hi ch ú: Học viên phải đóng tờ nhiệm vụ vào trang tập thuyết minh LV LỜI CÁM ƠN ƠN Được phân công nhà trường, khoa điện – điện tử và đồng ý giáo viên hướng dẫn TS Trương Quang Vinh, em thực luận văn thạc sĩ chuyên ngành kỹ thuật điện tử với đề tài “Thi Thiếết k ế ASIC cho bộ lọc FIR công suấ suất thấ thấp công nghệ nghệ CMOS 90NM” 90NM” Qua trang viết em xin gửi lời cảm ơn tới người giúp đỡ em trong thời gian học tập, nghiên cứu luận văn thời gian qua. Trước hết, em xin gửi lời cảm ơn chân thành đến TS Trương Quang Vinh Thầy người trực tiếp hướng dẫn tận tình bảo cơng việc nghiên cứu, tìm kiếm tài liệu, xử lý phân tích vấn đề luận văn Nhờ thầy mà em hồn thành luận văn cao học. Ngồi ra, em xin x in chân tthành hành cảm ơn quý đồng nghiệp, gia đình bạn bè khóa ln động viên hỗ trợ em suốt q trình nghiên cứu hồn thành luận văn TÁC GIẢ GIẢ Chhoeung Yean TÓM TẮ TẮT Ti Tiếếng Việ Việt: Ngày thi ết bị di động điện thoại di động, máy tính xách tay, hay thiết bị y sinh cầm tay ngày tr ởở nên phổ biến phần tất yếu sống Bô lọc FIR , hay b ộ l ọc đáp ứng xung hữu h ạn (Finite Impulse Response) đượ c sử dụng r ất r ộng rãi thiết b ị y sinh, xử lý tiếng nói, xử lý hình ảnh, xử lý video Bộ lọc này, sử dụng nguồn lượng để xử lý q trình r ất nhiều lượ ng ng Khơng chỉ có độ ổn định điện áp dịng điệ n mà cịn có hi ệu suất lọc lượ ng ng cao Sự lọc lượ ng ng từ bộ lọc FIR cấp điệc cho thiết bị hoạt động với điện áp thấp thương thông qua nguồn điện tín hiệu, tín hiệu hình ảnh, tín hiệu video, tín hiệu tiếng nói Việc sử dụng bộ lọc FIR nhằm tạo nhiều mức điện áp khác phục vụ cho khối chức mạch, thiết bị và ứng dụng hệ thống Yêu cầu bộ lọc đáp ứng xung hữu hạn, hiệu sau đượ c lọc có độ gợn lượng tháp để đảm bảo cho hệ thống ổn định theo ngõ cho phép Luận văn trình bày vấn đề liên quan đến bộ lọc FIR giảm hiệu suất tín hiệu phương pháp xung, thực mô hoạt động vi mạch nên tảng công nghệ 180nm Trong báo cáo này, này, Luận văn thực thành công mô bộ lọc FIR cấp độ dạng khối Matlab mô vi mạch phần mềm Synopsis sử dụng mã bù bộ cộng CIA 4bit, bô cộng Ripple 16bit K ết mô so sánh hai bộ công 70% ng hiều 24,7% Mô nhanh so vớ i b ộ c ộng Ripple 16 bit tiêu thụ lượ ng phỏng thực thư viện vi mạch 180nm CMOS TSMC 1p6M cho hiệu suất 80% có khả năng ABSTRACTS In the 21st century, the fast growing demand of portable and filter electronic system has driven the efforts to reduce power consumption or to improve the efficiency of these electronic equipments Regulator are essential for most electrically powered system which include the prevalent filter equipments and singal processing Regulators are required to reduce the power varriation from DSP system, LỜI CAM ĐOAN ĐOAN Tơi xin cam đoan cơng trình nghiên cứu riêng Các số liệu, k ết quả đề tài trung th ực chưa công bố dướ i bất k ỳ hình thức trước Tất c ả nh ững tham khảo k ế th ừa cho việc tthhực hi ện lu ận văn đượ c c ảm ơn thơng tin trích dẫn luận văn đượ c chỉ rõ nguồn gốc đượ c phép công bố TP.HCM, ngày tháng Học viên thự thự c hiệ Chhoeung Yean năm Mục lục 1. Tổng quan:. 1.1. Giớ i thiệu về đề tài 1.2. Đặc trưng mặt ngườ i. Error! Bookmark not defined. Yêu cầu về nhận dạng khuôn mặt. 10 1.2.1 1.2.2 Các biểu cảm cảm xúc mặt ngườ i 10 1.3. Mục tiêu, nhiệm vụ và phạm vi đề tài 10 1.3.1 10 Mục tiêu đề tài 1.3.2 Nhiệm vụ của đề tài 10 1.3.3 11 Phạm vi đề tài 1.4. Tổ chức luận văn 11 2. Tình hình nghiên cứu cứu nướ c 12 3. Mạng nơ -ron -ron tích chậ chập (Convolution neural network - CNN) 19 3.1. Tổng quan 19 3.2. 20 Mạng nơ -ron -ron tích chậ p 25 4. Thi Thiếết k ế h hệệ th thốống mô phỏ thử thử nghiệ nghiệm 4.1. Kiến trúc hệ thống nhận diện cảm xúc khuôn mặt sử dụng mạng nơ -ron -ron tích chậ p (CNN) 25 4.2. Dữ liệu sử dụng cho huấn luyện mạng (Training dataset) 33 4.3. Huấn luyện cho kiến trúc mạng nơ -ron -ron tích chậ p 35 4.4. Thiết k ế giao diện chương trình (GUI) 46 4.5. 47 Mô thực nghiệm 58 5. Hướ ng ng phát triển triển đề tài đề tài 59 6. Tài liệ liệu tham khả khảo 1. Tổng quan 1.1. Giớ i thiệu về đề tài Trong năm gần đây, vớ i sự phát triển nhanh vi mạch số, đượ c thiết k ế bở i hai trình, m ột thiết k ế Front – End End hai thi ết k ế Back – End End Cả hai qua trình thi ết k ế nhà thiết k ế ngày dịi hỏi công suất thấ p thông lượ ng ng cao m ức tiêu thụ năng lượ ng ng Những nhà thiết k ế vi mạch số sử dụng r ất nhiều toán học cần thiết để thực qua trình thi ết k ế để thu đượ c vi mạch có cơng suất thấp, độ tr ễ r ất Luận văn xin trình bày trình thiết k ế vi mạch số bộ lọc đáp ứng xung hữu h ạn (FIR) Quà trình thiết k ế th ực hi ện chức chính: Thiết k ế b ộ l ọc đáp ứng xung hữu h ạn, d ựa vào toán học c b ộ l ọc đáp ứng xung hữu hạn thiết k ế một vi mạch số bằng phần m ềm synopsis Vi mạch thiết k ế có thể tối ưu đượ c mức tiệu thụ năng lượ ng ng Cốt lõi phương pháp tiế p cận luận văn đưa đượ c dựa việc: Lựa chọn toán học để thiết k ế Sử dụng phương pháp bộ lọc đáp ứng xung hữu hạn (FIR) Thiết k ế bộ lọc đáp ứng xung hữu hạn công suật thấ p ưng trình thiết k ế ASIC cho bộ lọc FIR 1.2. Đặc tr ưng Vi mạch s ố là tr ọng tâm mối quan hệ giao tiế p lĩnh vực, vai trị quan trọng việc thiết k ế vi mach số có thể tối ưu đượ c công suốt t ối tiểu đượ c chi phí sản su s uất chi phí tiêu thụ lượ ng ng ngườ i dùng Để thiết k ế được điều đó, thiế t k ế vi mạch cho bộ lọc đáp ứng xung hữu h ạn (FIR) Điều rõ nét, Bộ lọc đáp ứng xung hữu hạn bộ l ọc tính tốn nhanh t ối ti ểu CMOS cho qua trình thi ết k ế ASIC Nhũng bài toán xử trong bộ lọc FIR gồm có: 1. Cửa số 2. Mẫu tần số 3. Lặ p tối ưu 1.2.1 Yêu cầu về thiết k ế ASIC cho bộ lọc FIR Tối ưu số Area Cell Tối ưu chi phí sản xuất Tối ưu cơng suất 1.2.2 Các biểu cảm cảm xúc mặt ngườ i Con ngườ i có nhiều cách để truyền đạt thông tin vớ i nhau: ngôn ngữ, cử chỉ, lời nói… Biểu cảm xúc khn mặt cách để truyền đạt thơng tin, có thể biểu nhận định người trướ c sự vật, tườ ng ng Hình bên dướ i cảm xúc cử con người mà đề tài đề cậ p t ớ i – nh nh ận dạng, phân biệt đượ c loại cảm xúc ngườ i.i Tiến sĩ Paul Ekman trình bày cảm xúc ngườ i ở m m ọi n ền văn hóa thể hi ện gi ống Emotions Revealed (2003) 1.3. Mục tiêu, nhiệm vụ và phạm vi đề tài 1.3.1 Mục tiêu đề tài Nhận diện cảm xúc khuôn mặt ngườ i đề tài thiết thực cần thiết đối vớ i sự phát triển giao tiếp ngườ i-máy i-máy nay, vậy: Cảm xúc khn m ặt người đượ c máy nhận biết cách tự động Thơng tin về cảm xúc có thể đượ c ghi nhận để làm dữ li ệu cho phân tích về thị trườ ng, ng, mức độ hài lịng khách hàng Từ việc phân tích dữ li ệu trên, vài hành động có thể đưa nhằm nâng cao chất lượ ng ng dịch vụ hoặc điều chỉnh chất lượ ng ng sản phẩm 1.3.2 Nhiệm vụ của đề tài Phát trích xuất khn mặt từ ảnh / video thờ i gian thực Tính tốn ước lượ ng ng cảm xúc khuôn mặt ở khung khung ảnh Trích xuất cảm xúc khn mặt hiển thị k ết quả 10 Hình 4.9: Lưu đồ ho đồ hoạt ạt động động củ hệ hệ th thốống nhậ nhận dạng cảm xúc a. Phát khuôn mặt Khuôn mặt frame ảnh đượ c trích xuất từ video sẽ đượ c phát bằng thuật tốn Haar cascade Việc phát nhiều khuôn mặt ảnh sẽ là sở ddữ liệu cho bướ c xử lý tiế p theo Hình 4.10: Phát hiệ khn mặ mặt bằ Haar cascade 48 b. Trích xuất khn mặt Khung ảnh đượ c l vào vớ i nhiều thông tin khác nhau, nhiên vùng chứa thông tin cần thiết v ề khuôn mặt cho bướ c x ử l lýý s ẽ đượ c trích xuất (ROI), cịn vùng cịn lại sẽ đượ c loại bỏ Kích thướ c ROI sẽ quyết định đến tốc tính tốn khả năng hệ thống Kích thướ c ROI nhỏ thì việc xử lý nhanh Ở để tài này, ROI có kích thướ c 48x48 (a) Ả nh nh cần xử lý lý (b) Vùng ROI đượ c trích xuấ t định trích xuấ Hình 4.11: 4.11: Xác định xuất khn mặ mặt c. Chuyển đổi không gian màu Một ảnh thô đượ c trích từ camera thơng thường đượ c cung cấp theo định dạng màu RGB Theo định dạng này, điểm ảnh chứa ba kênh màu : đỏ, xanh xanh dương Giá trị c ba kênh màu đượ c k ết h ợ p, t ạo thành màu thật có điểm ảnh Đối vớ i ảnh RGB việc tính tốn, xử lý sẽ phức tạp khó khăn Do mục địch việc biến đổi khơng gian màu nh ằm nâng cao tốc dộ xử lý ảnh (a) Ả nh nh RGB vùng ROI b) Ả nh nh xám vùng ROI đổi mứ Hình 4.12: Chuyển Chuyển đổi mứ c xám 49 d. K ết quả thực nghiệm ảnh Một số ảnh vớ i cảm xúc khn mặt có sẵn từ internet đưa vào hệ thống K ết quả thu đượ c từ hệ thống nhận diện cảm xúc bên dướ ii Hình 4.13: K ết quả nh nhậận diệ diện cảm xúc Vui vớ vớ i tỉ tỉ lệ lệ dự dự đốn 100% 100% 50 Hình 4.14: K ết quả nh nhậận diệ diện cảm xúc Vui vớ vớ i tỉ tỉ lệ lệ dự dự đốn 99.74% Hình 4.15: K ết quả nh nhậận diệ diện cảm xúc Buồ Buồn vớ vớ i tỉ tỉ lệ lệ dự dự đoán 58.67% 58.67% 51 Hình 4.16: K ết quả nh nhậận diệ diện cảm xúc Giậ Giận vớ vớ i tỉ tỉ lệ lệ dự dự đoán 92.29% Hình 4.17 K ết quả nh nhậận diệ diện cảm xúc Ngạ Ngạc nhiên vớ vớ i tỉ tỉ lệ lệ dự dự đốn 100% 100% 52 Hình 4.18 K ết quả nh nhậận diệ diện cảm xúc Sợ Sợ vớ vớ i tỉ tỉ lệ lệ dự dự đốn 69.81% 69.81% Hình 4.19 K ết quả nh nhậận diệ diện cảm xúc nhiề nhiều khn mặ mặt hình 53 e. K ết quả thực nghiệm webcam Hệ thống lấy ngõ vào video t ừ webcam tích hợ p sẵn máy tính 54 55 Hình 4.20 K ết quả nh nhậận diệ diện cảm xúc khuôn mặ mặt video f. Ghi nhận cảm xúc Hệ thống đượ c thiết k ế có chức cho phép ngườ i dùng ghi lại cảm xúc mà hệ thống dự đoán đượ c ảnh / video, tr ạng thái cảm xúc lưu lại bằng file excel với định dạng sau: - Số thứ tự: số thứ tự của cảm xúc đượ c nghi nhận bở i hệ thống - Emotions: cảm xúc mà hệ thống nghi nhận đượ c - Time: thờ i gian mà cảm xúc đượ c ghi nhận với định dạng: tháng ngày năm giờ :phút :phút sáng hay chiều Hình 4.21: K ết quả ghi nhậ nhận cảm xúc file excel 56 g. Nhận xét Tuy đề tài bước đầ u chỉ ra cảm xúc khuôn mặt ngườ ii,, nhiều điểm bất cậ p: - Đối v ớ i cảm xúc ảnh: Vui, ngạc nhiên, bình thườ ng ng giận, h ệ thống nhận diện vớ i tỉ lệ tốt (>90%), nhiên đối vớ i cảm xúc buồn sợ thì thì tỉ l ệ d ự đốn thấp Riêng cảm xúc ghê tỏm, hệ th ống có tỉ lệ dự đốn thấ p - Phát khn mặt: Vớ i thuật tốn phát hi ện khn mặt t ại, vài hình ảnh ghi nhận sai vị trí khn mặt khơng phát hi ện đượ c khn mặt Hình4.22 : Phát hiệ sai vị vị trí khn mặ mặt - Sự phức tạ p cảm xúc khuôn mặt ngườ i lớ n (gần giống cảm xúc) nên hệ thống chưa thể nhận dạng hồn tồn m xúc khn mặt ngườ i - Đề tài chỉ mang tính nghiên cứu lý thuyết mơ máy tính 57 đề tài 5. Hướ ng ng phát triển triển đề tài Từ bất cập nêu, đề tài có thể đượ c phát triển theo nhiều hướ ng ng khác cách linh hoạt thực tiễn hơn: - Mặt dù số lượ ng ng hình ảnh tậ p dữ liệu FER2013 r ất l ớn, vớ i l iệu, r ất đặt trưng t ậ p d ữ li ất khó để có đượ c h ệ t thhống với độ chính xác cao tậ p d ữ li l iệu Do đó, để nâng cao độ chính xác, c ần thay đổi tậ p dữ liệu (CP+, MMI…) hoặc k ết hợp thêm bướ c tiền xử lý - Sử dụng thuật tốn để nâng cao độ chính xác phát khn mặt, có thể sử dụng mạng nơ -ron -ron tích chập để phát khuôn mặt - Xây dựng đề tài ứng dụng phần cứng 58 6. Tài liệ liệu tham khả khảo [1] Ole Helvig Jensen, “Implementing the Viola -Jones Face Detection Algorithm”, Technical University of Denmark, 2008 [2] Đinh Xuân Nhất, “Nghiên cứu thuật toán nhận d ạng cảm xúc khuôn mặt 2D”, Đại học Công nghệ - Đại học Quốc gia Hà Nội, 2010 [3] Le Thi-Lan Dong Van-Thai, “Toward a Vietnamese facial expression recognition system for human-robot interaction”, Tại Hội nghị Qu ốc t ế v ề Công nghệ tiên tiến áp dụng cho Truyền thông, 2011 [4] Arushi Raghuvanshi Vivek Choksi , “Facial Expression Recognition with Convolutional Neural Networks”, Stanford University, 2016 [5] Minh-An Quinn, Grant Sivesind, Guilherme Reis, “Real-time Emotion Recognition From Facial Expressions”, Đạ i học standford, 2017 [6] Keiron Teilo O'Shea Ryan Nash , “An Introduction to Convolutional Neural Networks”, ResearchGrate, 2015 [7] Goodfellow I J, Bulatov Y, Ibarz J, et al “Multi-digit number recognition from street view ima gery using deep convolutional neural networks” arXiv preprint arXiv:1312.6082, 2013 [8] Lecun Y, Kavukcuoglu K, Farabet C “Convolutional networks and applications in vision”, Circuits and Systems (ISCAS), Proceedings of 2010 IEEE International Symposium on IEEE, 2010:253 - 256 [9] Sebastian Ruder, “An overview of gradient descent optimization algorithms*”, arXiv:1609.04747v2 [cs.LG] 15 Jun 2017 [10] Ali Mollahosseini, David Chan, and Mohammad H Mahoor “Going deeper in facial expression recognition using deep neural networks” CoRR, abs/1511.04110, 2015 59 [11] Shrija Mishra, Geeta Ramani Bala Prasada, Ravi Kant Kumar Goutam Sanyal, “Emotion Recognition Through Facial Gestures - A Deep Learning Approach”, India, tháng 11 năm 2017 [12] Izard, C.E.: “Human Emotions”, Springer, New York, 2013 [13] Lopes, A.T., de Aguiar, E., De Souza, A.F., Oliveira-Santos, T.: “Facial expression recognition with Convolutional Neural Networks: coping with few data and the training sample order ” Pattern Recogn 61, 610 – 628, 628, 2017 [14] LeCun, Y.: LeNet-5, Convolutional Neural Networks, 2015 [15] Adam P Piotrowski , Jarosław J Napiorkowski, “A comparison of methods to avoid overfitting in neural networks training in the case of catchment runoff modelling”, tạ p chí Hydrology, 2013 [16] https://www.tensorflow.org/ [16] https://www.tensorflow.org/ [17] http://tflearn.org/ [17] http://tflearn.org/ 60 Cách chạy chạy chương trình: 1. Yêu cầu cài đặt - Tensorflow (for windows) - Tflearn (mớ i nhất) - Python 3.6.2 - OpenCV-python - PyQt5 2. Mở command prompt, đến folder chứa file cnn.py 3. Chạy file cnn.py thông qua l ệnh python cnn.py enter 4. Click vào Load CNN giao di ện, chương trình sẽ hiển thị thơng báo bắt đầu k ết thúc trình load model, click Ok 61 5. Sau load cnn model, click Start webcam load picture (chọn hình) để chuẩn bị cho bướ c nhận diện cảm xúc 6. Click Start emotion REC, chương trình sẽ tr ả về cảm xúc dự đốn khn mặt (sau 10 giây cho ảnh đầu tiên, ảnh sau sẽ hiển thị ngay) 7. Click Record emotion, tab result sẽ hiển thị cảm xúc khuôn mặt, tab Detail of prediction (%) s ẽ hiển thị tỉ lệ hệ thống dự đoán cảm xúc khn mặt đó. 8. Sau k ết thúc q trình nhận diện cảm xúc, click Save emotions to file để lưu cảm xúc đượ c dự đoán vào file excel mang tên: Emotion_log.xlsx, đượ c lưu chung folder vớ i cnn.py 62 ... ĐỀ TÀI: THIẾ THIẾT K Ế? ?ASIC CHO BỘ BỘ LỌ LỌC FIR CÔNG SUẤ SUẤT THẤ THẤP II. NHI NHIỆ ỆM VỤ VÀ NỘI DUNG: Thiết k ế đượ c chip có thể tối ưu đượ c cơng suất vớ i thuật tốn bộ? ?lọc FIR tr ễ và... hướng dẫn TS Trương Quang Vinh, em thực luận văn thạc sĩ chuyên ngành kỹ thuật điện tử với đề tài “Thi Thiếết k ế? ?ASIC cho bộ? ? lọc FIR công suấ suất thấ thấp công nghệ nghệ CMOS 90NM” 90NM” Qua... Trưở ng ng Khoa quản lý chuyên ngành sau luận văn đượ c sửa chữa (nếu có) CHỦ CH Ủ TỊ TỊCH HỘI HỘI ĐỒNG ĐỒNG TRƯỞ NG NG KHOA ………… ………… ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA? ? KHOA
Ngày đăng: 16/08/2020, 11:00
Xem thêm: