SIMD-реалізація глибоких CNN для виявлення короткозорості в одноплатній комп'ютерній системі

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2023.289007

Ключові слова:

CNN, багатоядерний, економічно ефективний, платформа, прогнозування, короткозорість, очний, ODIR, AIoT, SIMD

Анотація

Алгоритми глибокого навчання, особливо згорткові нейронні мережі (CNN), набули швидкого розвитку завдяки своїй гнучкості та масштабованості для використання в декількох областях для моделювання реальних застосувань, таких як виявлення об’єктів, класифікація зображень тощо. Однак їх висока точність вимагає інтенсивних обчислень. Тому надзвичайно важливо ретельно обирати відповідну комп’ютерну платформу та методологію реалізації мережевих архітектур CNN із забезпеченням підвищеної ефективності. У реалізації CNN переважають паралельні архітектури. В даному дослідженні представлено нову паралельну реалізацію Single Instruction Multi Data (SIMD) запропонованої CNN з метою  прискорити процес виконання та зробити її придатною для розгортання на недорогих платформах з низьким енергоспоживанням. Запропонована реалізація дозволяє отримати вдосконалену модель глибокої CNN для реалізації на економічно ефективній платформі і забезпечує портативність для автономної роботи з багатоядерними процесорами при збереженні точності роботи. Для реалізації нашої моделі використовувався малопотужний цільовий пристрій Raspberry Pi 3 B. Запропонований підхід характеризується високою точністю діагностики до 96,35 % при енергоспоживанні 3,65 Вт, досягаючи зниження енергоспоживання на 19,17–68,45 % порівняно з попередньою роботою. У той же час, він забезпечує гарний час висновку для обраної платформи. Видатні результати даного дослідження відображають успіх застосування паралельних архітектур для використання чотирьох ядер процесора ARM на цільовій платформі. Представлена модель може бути ефективним медичним помічником для автоматизованого виявлення та діагностики короткозорості очей. Таким чином, це може стати перспективним медичним інструментарієм, що дозволяє зменшити зусилля медичного персоналу та підвищити якість наданих медичних послуг для пацієнтів з короткозорістю.

Біографії авторів

Mamoon A Al Jbaar, Ninevah University

Master of Science in Computer Engineering, Assistant Lecturer

Department of Computer and Information Engineering

College of Electronics Engineering

Shefa A. Dawwd, University of Mosul

Professor of Computer Engineering, PhD

Department of Computer Engineering

Посилання

  1. Suzen, A. A., Duman, B., Sen, B. (2020). Benchmark Analysis of Jetson TX2, Jetson Nano and Raspberry PI using Deep-CNN. 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA). doi: https://doi.org/10.1109/hora49412.2020.9152915
  2. Choi, K., Sobelman, G. E. (2022). An Efficient CNN Accelerator for Low-Cost Edge Systems. ACM Transactions on Embedded Computing Systems, 21 (4), 1–20. doi: https://doi.org/10.1145/3539224
  3. Fernández-Cerero, D., Fernández-Rodríguez, J. Y., Álvarez-García, J. A., Soria-Morillo, L. M., Fernández-Montes, A. (2019). Single-Board-Computer Clusters for Cloudlet Computing in Internet of Things. Sensors, 19 (13), 3026. doi: https://doi.org/10.3390/s19133026
  4. Saranya, V., Carmel Mary Belinda, M. J., Kanagachidambaresan, G. R. (2020). An Evolution of Innovations Protocols and Recent Technology in Industrial IoT. Internet of Things for Industry 4.0, 161–175. doi: https://doi.org/10.1007/978-3-030-32530-5_11
  5. Srinivasan, V., Meudt, S., Schwenker, F. (2019). Deep Learning Algorithms for Emotion Recognition on Low Power Single Board Computers. Multimodal Pattern Recognition of Social Signals in Human-Computer-Interaction, 59–70. doi: https://doi.org/10.1007/978-3-030-20984-1_6
  6. Dubovečak, M., Dumić, E., Bernik, A. (2023). Face Detection and Recognition Using Raspberry PI Computer. Tehnički Glasnik, 17 (3), 346–352. doi: https://doi.org/10.31803/tg-20220321232047
  7. Zamir, M., Ali, N., Naseem, A., Ahmed Frasteen, A., Zafar, B., Assam, M., Othman, M., Attia, E.-A. (2022). Face Detection & Recognition from Images & Videos Based on CNN & Raspberry Pi. Computation, 10 (9), 148. doi: https://doi.org/10.3390/computation10090148
  8. Huang, Z., Yang, S., Zhou, M., Gong, Z., Abusorrah, A., Lin, C., Huang, Z. (2021). Making accurate object detection at the edge: review and new approach. Artificial Intelligence Review, 55 (3), 2245–2274. doi: https://doi.org/10.1007/s10462-021-10059-3
  9. Sonkar, S., Kumar, P., George, R. C., Yuvaraj, T. P., Philip, D., Ghosh, A. K. (2022). Real-Time Object Detection and Recognition Using Fixed-Wing LALE VTOL UAV. IEEE Sensors Journal, 22 (21), 20738–20747. doi: https://doi.org/10.1109/jsen.2022.3206345
  10. Didi, Z., El Azami, I., Boumait, E. M. (2022). Design of a Security System Based on Raspberry Pi with Motion Detection. Digital Technologies and Applications, 427–434. doi: https://doi.org/10.1007/978-3-031-02447-4_44
  11. Hammad, M., Abd El-Latif, A. A., Hussain, A., Abd El-Samie, F. E., Gupta, B. B., Ugail, H., Sedik, A. (2022). Deep Learning Models for Arrhythmia Detection in IoT Healthcare Applications. Computers and Electrical Engineering, 100, 108011. doi: https://doi.org/10.1016/j.compeleceng.2022.108011
  12. Dhar, T., Dey, N., Borra, S., Sherratt, R. S. (2023). Challenges of Deep Learning in Medical Image Analysis—Improving Explainability and Trust. IEEE Transactions on Technology and Society, 4 (1), 68–75. doi: https://doi.org/10.1109/tts.2023.3234203
  13. Vayadande, K., Ingale, V., Verma, V., Yeole, A., Zawar, S., Jamadar, Z. (2022). Ocular Disease Recognition using Deep Learning. 2022 International Conference on Signal and Information Processing (IConSIP). doi: https://doi.org/10.1109/iconsip49665.2022.10007470
  14. Albahli, S., Ahmad Hassan Yar, G. N. (2022). Automated detection of diabetic retinopathy using custom convolutional neural network. Journal of X-Ray Science and Technology, 30 (2), 275–291. doi: https://doi.org/10.3233/xst-211073
  15. Ebri, A. E., Govender, P., Naidoo, K. S. (2019). Prevalence of vision impairment and refractive error in school learners in Calabar, Nigeria. African Vision and Eye Health, 78 (1). doi: https://doi.org/10.4102/aveh.v78i1.487
  16. Pakbin, M., Katibeh, M., Pakravan, M., Yaseri, M., Soleimanizad, R. (2015). Prevalence and causes of visual impairment and blindness in central Iran; The Yazd eye study. Journal of Ophthalmic and Vision Research, 10 (3), 279. doi: https://doi.org/10.4103/2008-322x.170362
  17. Gibertoni, G., Borghi, G., Rovati, L. (2022). Vision-Based Eye Image Classification for Ophthalmic Measurement Systems. Sensors, 23 (1), 386. doi: https://doi.org/10.3390/s23010386
  18. da Rocha, D. A., Ferreira, F. M. F., Peixoto, Z. M. A. (2022). Diabetic retinopathy classification using VGG16 neural network. Research on Biomedical Engineering, 38 (2), 761–772. doi: https://doi.org/10.1007/s42600-022-00200-8
  19. Pan, Y., Liu, J., Cai, Y., Yang, X., Zhang, Z., Long, H. et al. (2023). Fundus image classification using Inception V3 and ResNet-50 for the early diagnostics of fundus diseases. Frontiers in Physiology, 14. doi: https://doi.org/10.3389/fphys.2023.1126780
  20. Menghani, G. (2023). Efficient Deep Learning: A Survey on Making Deep Learning Models Smaller, Faster, and Better. ACM Computing Surveys, 55 (12), 1–37. doi: https://doi.org/10.1145/3578938
  21. Islam, S., Deng, J., Zhou, S., Pan, C., Ding, C., Xie, M. (2022). Enabling Fast Deep Learning on Tiny Energy-Harvesting IoT Devices. 2022 Design, Automation & Test in Europe Conference & Exhibition (DATE). doi: https://doi.org/10.23919/date54114.2022.9774756
  22. Dai, S., Chen, L., Lei, T., Zhou, C., Wen, Y. (2020). Automatic Detection Of Pathological Myopia And High Myopia On Fundus Images. 2020 IEEE International Conference on Multimedia and Expo (ICME). doi: https://doi.org/10.1109/icme46284.2020.9102787
  23. Gour, N., Khanna, P. (2021). Multi-class multi-label ophthalmological disease detection using transfer learning based convolutional neural network. Biomedical Signal Processing and Control, 66, 102329. doi: https://doi.org/10.1016/j.bspc.2020.102329
  24. Topaloglu, I. (2022). Deep Learning Based Convolutional Neural Network Structured New Image Classification Approach for Eye Disease Identification. Scientia Iranica, 30 (5), 1731–1742. doi: https://doi.org/10.24200/sci.2022.58049.5537
  25. Rakhmetulayeva, S., Syrymbet, Z. (2022). Implementation of convolutional neural network for predicting glaucoma from fundus images. Eastern-European Journal of Enterprise Technologies, 6 (2 (120)), 70–77. doi: https://doi.org/10.15587/1729-4061.2022.269229
  26. David, S. A., Mahesh, C., Kumar, V. D., Polat, K., Alhudhaif, A., Nour, M. (2022). Retinal Blood Vessels and Optic Disc Segmentation Using U-Net. Mathematical Problems in Engineering, 2022, 1–11. doi: https://doi.org/10.1155/2022/8030954
  27. Wang, K., Xu, C., Li, G., Zhang, Y., Zheng, Y., Sun, C. (2023). Combining convolutional neural networks and self-attention for fundus diseases identification. Scientific Reports, 13 (1). doi: https://doi.org/10.1038/s41598-022-27358-6
  28. Maqsood, Z., Gupta, M. K. (2022). Automatic Detection of Diabetic Retinopathy on the Edge. Cyber Security, Privacy and Networking, 129–139. doi: https://doi.org/10.1007/978-981-16-8664-1_12
  29. Karamihan, K. C., Agustino, I. D. F., Bionesta, R. B. B., Tuason, F. C., Arellano, S. V. E., Esguerra, P. A. M. (2019). SBC-Based Cataract Detection System using Deep Convolutional Neural Network with Transfer Learning Algorithm. International Journal of Recent Technology and Engineering (IJRTE), 9(2), 4605–4613. doi: https://doi.org/10.35940/ijrte.b3368.078219
  30. Civit-Masot, J., Luna-Perejón, F., Corral, J. M. R., Domínguez-Morales, M., Morgado-Estévez, A., Civit, A. (2021). A study on the use of Edge TPUs for eye fundus image segmentation. Engineering Applications of Artificial Intelligence, 104, 104384. doi: https://doi.org/10.1016/j.engappai.2021.104384
  31. Lee, S.-J., Park, S.-S., Chung, K.-S. (2018). Efficient SIMD implementation for accelerating convolutional neural network. Proceedings of the 4th International Conference on Communication and Information Processing. doi: https://doi.org/10.1145/3290420.3290444
  32. Raspberry Pi 3 Model B. Available at: https://www.raspberrypi.com/products/raspberry-pi-3-model-b/
  33. Raspberry Pi Power Consumption Guide. Available at: https://www.ecoenergygeek.com/raspberry-pi-power-consumption/
  34. Wang, J., Yang, L., Huo, Z., He, W., Luo, J. (2020). Multi-Label Classification of Fundus Images With EfficientNet. IEEE Access, 8, 212499–212508. doi: https://doi.org/10.1109/access.2020.3040275
  35. He, J., Li, C., Ye, J., Qiao, Y., Gu, L. (2021). Multi-label ocular disease classification with a dense correlation deep neural network. Biomedical Signal Processing and Control, 63, 102167. doi: https://doi.org/10.1016/j.bspc.2020.102167
  36. Bhati, A., Gour, N., Khanna, P., Ojha, A. (2023). Discriminative kernel convolution network for multi-label ophthalmic disease detection on imbalanced fundus image dataset. Computers in Biology and Medicine, 153, 106519. doi: https://doi.org/10.1016/j.compbiomed.2022.106519
  37. Jeny, A. A., Junayed, M. S., Islam, M. B. (2023). Deep Neural Network-Based Ensemble Model for Eye Diseases Detection and Classification. Image Analysis & Stereology, 42 (2), 77–91. doi: https://doi.org/10.5566/ias.2857
  38. Kristiani, E., Yang, C.-T., Huang, C.-Y. (2020). iSEC: An Optimized Deep Learning Model for Image Classification on Edge Computing. IEEE Access, 8, 27267–27276. doi: https://doi.org/10.1109/access.2020.2971566
  39. Goel, A., Aghajanzadeh, S., Tung, C., Chen, S.-H., Thiruvathukal, G. K., Lu, Y.-H. (2020). Modular Neural Networks for Low-Power Image Classification on Embedded Devices. ACM Transactions on Design Automation of Electronic Systems, 26 (1), 1–35. doi: https://doi.org/10.1145/3408062
  40. Dong, Z., Li, N., Iosifidis, A., Zhang, Q. (2022). Design and Prototyping Distributed CNN Inference Acceleration in Edge Computing. arXiv. doi: https://doi.org/10.48550/arXiv.2211.13778
  41. James, N., Ong, L.-Y., Leow, M.-C. (2022). Exploring Distributed Deep Learning Inference Using Raspberry Pi Spark Cluster. Future Internet, 14 (8), 220. doi: https://doi.org/10.3390/fi14080220
SIMD-реалізація глибоких CNN для виявлення короткозорості в одноплатній комп'ютерній системі

##submission.downloads##

Опубліковано

2023-10-31

Як цитувати

Al Jbaar, M. A., & Dawwd, S. A. (2023). SIMD-реалізація глибоких CNN для виявлення короткозорості в одноплатній комп’ютерній системі. Eastern-European Journal of Enterprise Technologies, 5(9 (125), 98–108. https://doi.org/10.15587/1729-4061.2023.289007

Номер

Розділ

Інформаційно-керуючі системи