Neural Network Implementation on ZYBO Development Board

Cilj rada bila je implementacija neuronske mreže na ZYBO razvojnom sustavu, što je postignuto razvijanjem ZYNN sustava. Grafičko korisničko sučelje sustava, koje je razvijeno koristeći Kivy framework, omogućuje dizajniranje i treniranje novih Keras modela i učitavanje postojećih modela prije slanja parametara mreže na ZYBO platformu. Nakon slanja parametara, slijedi prepoznavanje znamenaka sa slike kamere, koja je prenesena u memoriju platforme HDMI kabelom. Na platformi se prvo izvodi proces predobrade slike, kojim se otklanja šum, lociraju nakupine piksela, odnosno potencijalne znamenke, koje se zatim skaliraju i prilagođuju tako da budu što sličnije onima iz MNIST baze podataka. Nakon toga se svaka nakupina piksela provlači kroz model neuronske mreže čiji su parametri prethodno poslani. Rezultati klasifikacije se šalju i prikazuju na korisničkom sučelju na računalu. Osim toga, na monitoru, koji je spojen preko VGA sučelja, se prikazuje obrađena slika s kamere na kojoj su uokvirene nakupine piksela koje su klasificirane kao znamenka, odnosno one kojima je vjerojatnost pripadanja nekoj klasi veća od 55 %. Korisnik zatim može klasificirati drugi skup znamenaka ili odabrati ili kreirati neki drugi Keras model za klasifikaciju.The aim of the paper was implementation of a neural network on the ZYBO development system, which was achieved by developing the ZYNN system. The graphical user interface of the system, developed using the Kivy framework, provides designing and training new Keras models and loading existing models before sending the network parameters to the ZYBO platform. After sending the parameters, the digits are recognized from the camera image, which is transferred to the platform memory via an HDMI cable. The platform first preprocesses an image that eliminates noise, locates pixel clusters, or potential digits, which are then scaled and adjusted to be as similar as possible to those of the MNIST database. Subsequently, each potential digit is passed through a neural network model whose parameters have been previously sent. The classification results are sent and displayed on the computer user interface. In addition, the monitor, which is connected via the VGA interface, displays a processed image from a camera with framed pixel clusters that are classified as a digit, that is, those that have a probability belonging to a class of more than 55 %. The user can then classify another set of digits or select or create another Keras model for classification