비대면 자동결제 시스템을 위한 CNN 기반 객체 검출기의 고처리량 및 전력 효율적인 FPGA 구현 = High-throughput and Power-efficient FPGA Implementation of CNN-based Object Detection for Automatic Contactless Payment System

국문 초록 (Abstract)

2019년 말부터 시작된 코로나19로 인해 무인 소매 시장은 최근 몇 년간 큰 폭의 성장세를 보이며 향후 성장세를 이어갈 것으로 예상된다. 본 연구는 빠르게 확대되고 있는 무인 소매 시장의 저비용, 고성능 시스템 요구에 부응하기 위해 엣지 디바이스에 구현이 가능한 전력효율과 처리율이 높은 비대면 자동결제 시스템을 설계하는 것을 목표로 한다. 실제로, 본 논문은 경량 물체 감지 모델인 tiny-YOLOv3 가속기 IP를 설계하고 Xilinx Zynq Ultrascale+ MPSoC ZCU102 Evaluation Kit에 주변 장치를 구성함으로써 실제 비대면 자동결제 환경에서 소비자들의 구매 품목을 식별하여 자동결제가 가능한 비대면 자동결제 시스템을 구축했다. 제안하는 tiny-YOLOv3 가속기 IP를 포함한 비대면 자동결제 시스템은 여러 이미지 추론 과정에서 5.04W의 전력만을 소비하며 137.22GOP/s의 처리량을 달성했다. 결과적으로, 제안한 시스템은 엣지 디바이스를 기반으로 비대면 결제 시스템을 구축하고자 하는 무인 소매 시장 참가자들의 시장 접근을 활성화할 수 있을 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

Since the onset of the COVID-19 pandemic, the unmanned retail market has experienced substantial growth and is projected to continue its upward trajectory. This research aims to address the demand for low-cost, high-performance systems in this rapidly expanding market by designing a power-efficient, high-throughput, contactless automatic payment system that can be implemented on edge devices. This paper presents the design of a lightweight object detection model, the tiny-YOLOv3 accelerator IP, and integrates it with peripheral devices on the Xilinx Zynq Ultrascale+ MPSoC ZCU102 Evaluation Kit. The objective is to establish a contactless automatic payment system capable of processing consumer purchases in a real-world environment. The proposed system consumes only 5.04W of power while achieving a throughput of 137.22GOP/s across multiple image inference tasks. The results indicate that the proposed system can significantly enhance market access for participants in the unmanned retail sector aiming to deploy contactless payment solutions.

참고문헌 (Reference)

• 1 Sungrae Kim, "Zero-Centered Fixed-Point Quantization with Iterative Retraining for Deep Convolutional Neural Network-Based Object Detectors" 9 : 20828-20839, 2021
• 2 Pranav Adarsh, "YOLO v3-Tiny : Object Detection and Recognition using one stage improved model" 687-694, 2020
• 3 Yufei Ma, "Optimizing loop operation and dataflow in fpga acceleration of deep convolutional neural networks" 45-54, 2017
• 4 Chen Zhang, "Optimizing fpga-based accelerator design for deep convolutional neural networks" 161-170, 2015
• 5 Adiono, T., "Low latency YOLOv3-tiny accelerator for low-cost FPGA using general matrix multiplication principle" 9 : 141890-141913, 2021
• 6 Hao Wu, "Integer quantization for deep learning inference : Principles and empirical evaluation"
• 7 Dahun Choi, "HardwareFriendly Logarithmic Quantization with Mixed-Precision for MobileNetV2" 348-351, 2022
• 8 Nam Joon Kim, "FP-AGL : Filter Pruning with Adaptive Gradient Learning for Accelerating Deep Convolutional Neural Networks" 25 : 5279-5290, 2023
• 9 Subin Ki, "Dedicated FPGA Implementation of the Gaussian TinyYOLOv3 Accelerator" 70 (70): 3882-3886, 2023
• 10 Afzal Ahmad, "Accelerating tiny yolov3using fpga-based hardware/software co-design" 1-5, 2020
• 11 Yu, Zhewen, "A parameterisable FPGA-tailored architecture for YOLOv3-tiny" 330-344, 2020
• 12 Duy Thanh Nguyen, "A High-Throughput and Power-Efficient FPGA Implementation of YOLO CNN for Object Detection" 27 (27): 1861-1873, 2019