CNN RECONFIGURABLE PARA SENSADO Y PROCESAMIENTO DE IMÁGENES BINARIAS MEDIANTE LA DETECCIÓN DE COMPONENTES CONECTADOS Carmona, R., Espejo, S., Domínguez-Castro, R. y Rodríguez-Vázquez, A. Instituto de Miroeletrónia de Sevilla - Centro Naional de Miroeletrónia Avda. Reina Meredes s/n, (Edif. CICA) E-402, Sevilla, Spain IX Congreso de Diseño de Ciruitos Integrados (DCIS 94), pp. 9-96, Gran Canaria, Noviembre 994. Este material se presenta para asegurar la diseminaión sin retrasos de un trabajo aadémio y ténio. Todos los derehos de opyright son detentados por los autores o por los propietarios del opyright. Se espera de todas las personas que opien esta informaión que se adhieran a los términos y restriiones invoados por el opyright de ada autor. En la mayoría de los asos estos trabajos no pueden ser puestos, por las personas que los opien de esta página, a disposiión de tereros sin el permiso explíito del detentador del opyright.
CNN RECONFIGURABLE PARA SENSADO Y PROCESAMIENTO DE IMÁGENES BINARIAS MEDIANTE LA DETECCIÓN DE COMPONENTES CONECTADOS Carmona, R., Espejo, S., Domínguez-Castro, R. y Rodríguez-Vázquez, A. Dpto. de Diseño Analógio. Centro Naional de Miroeletrónia. Avda. Reina Meredes s/n. Edifiio CICA. 402-Sevilla. Tno: (95) 423.99.23 FAX: (95) 462.45.06 E-mail: rafael@nm.us.es Resumen Se presenta un iruito para el proesamiento de imágenes mediante el paradigma de las Redes Neuronales Celulares (CNN), que realiza la operaión de Deteión de Componentes Conetados (CCDet) en ualquier direión. El iruito es apaz de apturar la imagen de forma elétria pero también dispone de fotosensores ompatibles on las tenologías CMOS estándar que le permiten apturar la imagen en forma óptia proyetándola diretamente sobre la superfiie del hip. Asimismo inluye una iruitería de ajuste de umbral que le permite adaptarse a diferentes ondiiones de iluminaión. El sistema ompleto está formado por una red de 32 x 32 eldas y ha sido diseñado en una tenología onvenional de.6µm.. Introduión Las Redes Neuronales Celulares (CNN) son un nuevo paradigma de ómputo orientado al proesamiento masivo de informaión, fundamentalmente imágenes [], [2]. Desde su apariión en 988 [], [2] se han desarrollado una gran variedad de apliaiones que se basan en el proesamiento masivo de informaión sensorial omo son deteión de movimiento [3], reonoimiento de arateres y patrones [2], [2], [5], reuento y loalizaión de objetos [6], et. Todas estas apliaiones requieren de varias operaiones senillas de preproesado de la imagen, entre las que se enuentran la transformaión Radon [7], extraión de bordes y rellenado de hueos [5], y una de las más usadas, la Deteión de Componentes Conetados (CCDet) [5]. Este tipo de preproesamiento permite determinar el número de segmentos blanos o negros de una línea en una direión determinada. A pesar de la onetividad loal de las CNN algunas apliaiones omo la CCDet permiten realizar proesamientos globales debido a la propagaión espaial de las señales entre neuronas veinas. El algoritmo de CCDet puede onsiderarse omo una algoritmo de ompresión de informaión, extrayendo de la imagen original las araterístias más importantes pero reduiendo sobremanera el volumen de informaión [2]. Asimismo, la apliaión suesiva de esta última operaión en diferentes direiones de proyeión sobre un patrón iniial de entrada se presenta omo una de los más útiles preproesados de la imagen on vistas al reonoimiento de arateres y guiado automátio de vehíulos [2][0]. Con este objetivo se ha diseñado un iruito para la Deteión de Componentes Conetados de una imagen binaria de entrada. El iruito permite la aptura de la imagen de entrada tanto de forma elétria, utilizándolo omo perifério de un ordenador digital onvenional omo de forma óptia, proyetando la imagen diretamente sobre la superfiie del hip. Además una vez apturada la imagen es apaz de realizar el algoritmo de CCDet en ualquier direión y sin neesidad de argar nuevamente la imagen para los suesivos proesamientos. El iruito ha sido fabriado en una tenología CMOS digital estándar de.6 µm. Está ompuesto por una matriz de 32 x 32 (024) eldas que onforman la estrutura fundamental de la CNN y toda la iruitería de ontorno, ontrol y polarizaión que diha estrutura prinipal requiere para su orreto funionamiento. Por otro lado, ada uno de los proesadores analógios básios de la CNN está aompañado por un dispositivo fotosensible apaz de apturar la informaión de forma óptia, así omo de una iruitería adiional que le permite al sistema trabajar bajo distintas ondiiones de iluminaión. 2. Implementaión del modelo de CNN Las Redes Neuronales Celulares son sistemas dinámios no lineales formados por la agrupaión de proesadores elementales on una distribuión espaial regular y donde las interaiones diretas entre los distintos proesadores son de aráter loal [] []. A pesar de esto, las CNNs pueden realizan tareas globales, debido a la propagaión de las señales a tra-
vés de toda la red. El omportamiento de la CNN está regido por un sistema de euaiones difereniales no lineales en las que se desriben las ontribuiones entre eldas interonetadas y las influenias mutuas entre sus estados y salidas. Dihas ontribuiones están afetadas por iertos parámetros, denominados de realimentaión, de ontrol, y de umbral, los uales van a partiularizar el sistema para la realizaión de una tarea en onreto. En el aso de redes uniformes, estos parámetros van a ser independientes de la posiión de la elda en la matriz de modo que se pueden definir unas plantillas matriiales de lonaión A y B que representan los pesos de realimentaión y ontrol respetivamente. En la Fig. enontramos un diagrama de bloques mediante el que se desribe el omportamiento del modelo de Rango Completo [], [2] de CNN en tiempo ontinuo, algo diferente al desrito iniialmente por Chua y Yang [], pero que se demuestra más efiiente desde el punto de vista de la implementaión prátia. En la apliaión de la Deteión de Componentes Conetados de la imagen los parámetros de ontrol y de umbral son nulos mientras que la plantilla matriial de realimentaión tiene la forma [5] []: A = 2 () uando la operaión se realiza en la direión horizontal, de izquierda a dereha. Para el resto de las direiones de proyeión es fáil obtener la matriz de realimentaión rotando los elementos de la plantilla en () alrededor del elemento entral, a 22, que desribe la ontribuión de ada elda a sí misma. 0 0 A = 2 A = 02 0 00 (2) A = 0 0 0 2 0 A = 00 02 0 0 0 0 0 nótese que aunque existen oho posibilidades sólo se han plasmado uatro, esto es debido a que la operaión de CCDet es funión de la direión elegida pero no del sentido, por lo que el resultado del resto de las rotaiones oiniden on alguna de las uatro mostradas en (2). La implementaión del modelo de red neuronal elular expuesto se ha realizado mediante ténias de modo de orriente [2], los operadores básios que integran el diagrama de bloques de la Fig. 2.a se obtienen a partir de la explotaión de la araterístia del espejo de orriente. Este elemento fundamenta su operaión en la anelaión funional de no-linealidades entre dos transondutores apareados. Para ellos hemos utilizado transistores NMOS en estruturas Casode externamente polarizadas (Fig. 2.b), la eleión de esta implementaión en lugar de otras omo OTAs [3] permite una mayor densidad de eldas debido al menor onsumo de área de los transondutores básios. 3. Reonfiguraión, sensado óptio y otros aspetos de la realizaión físia La seleión de la direión de CCDet se ha onseguido mediante el multiplexado de las onexiones de una elda on sus veinos (ver esquema de la elda básia en la Fig. 3). El multiplexor está ontrolado por dos señales digitales (S y S 0 ) permitiendo la realizaión de la CCDet tan sólo en una direión por ada par de valores de S y S 0. Asimismo, las ondiiones de ontorno son soportadas por unas eldas espeiales, que están apaitadas para variar tanto el signo omo la direión de su ontribuión a la CNN en funión de esas mismas dos señales de ontrol. Para la onseuión de un preproesado más ompleto de la imagen, interesa realizar la CCDet en las uatro direiones de proyeión a una misma entrada. Esto no es difíil de onseguir en el aso de estar trabajando on iniializaión elétria del sistema, sólo se neesita exitar al iruito on el mismo patrón de entrada y ejeutar de nuevo la deteión en otra direión, sin embargo esto implia un exeso del tiempo de proesamiento total debido a la neesidad de argar la misma imagen varias vees, además, en el aso de entrada óptia, la imagen de entrada debe permaneer fija en todo el proeso, lo ual puede no estar en onordania on la apliaión real, omo por el ontrol de movimiento. Para evitar este problema, ada elda ontiene una memoria digital que almaena el valor del pixel que le orresponde en el patrón de entrada on el fin de utilizarlo uantas vees sean neesarias para obtener el itado preproesado de diha imagen iniial. Esta memoria se atualiza mediante un ontrol externo que
permite una nueva iniializaión del proeso, esto es, la arga elétria o aptura óptia de una nueva imagen de entrada. La aptura de imágenes proyetadas sobre la superfiie del iruito integrado se realiza mediante fotosensores ompatibles on la tenología CMOS digital estándar utilizada [4]. Están ompuestos por un transistor bipolar vertial pnp omo dispositivo fotosensible y otro más en una onfiguraión Darlington para la amplifiaión de las orrientes generadas en el primero. Estos dispositivos están aompañados por un iruito de desplazamiento de nivel para la generaión de señales en doble raíl y uno de ajuste automátio del umbral de iluminaión a un nivel medio (Fig. 5). En uanto a las estrategias de arga y desarga de informaión, usamos un deodifiador ontrolado por un ontador binario natural que además permite la seleión simultánea de todas las eldas perteneientes a la misma fila de la matriz de CNN omo se muestra en la Fig. 4. En el aso de iniializaión óptia, todas las eldas de la red reiben la entrada simultáneamente, de forma totalmente paralela. Las tensiones de polarizaión de las estruturas Casode empleadas se generan on-hip evitando la neesidad de utilizar fuentes de polarizaión externas salvo las de alimentaión aunque también se ha previsto la posibilidad de ontrolarlas externamente. La interfae entre los buses de salida y entrada, y el entorno digital en el que se integra el iruito se realiza mediante el empleo de buffers para la arga de las memorias de las eldas, y omparadores de orriente[4] para letura de las salidas. 4. Operaión del sistema y Caraterístias del prototipo La operaión del sistema omienza on la iniializaión mediante la transmisión de la entrada elétriamente desde los terminales del enapsulado del iruito integrado, o bien mediante la proyeión de una imagen binaria sobre la superfiie del mismo. Heho esto, el patrón de entrada es retenido en la memoria de ada elda de la CNN para su posterior proesamiento. A ontinuaión tiene lugar la ejeuión de la CCDet en la direión preseleionada y tras ello el proeso de letura de la salida siguiendo el orden de filas itado anteriormente. Después de esta operaión podemos reiniializar el sistema, o bien, realizar una nueva CCDet sobre la imagen retenida en ualquier otra direión. Por último, en la siguiente tabla, exponemos algunos datos de interés aera de un prototipo de red neuronal elular de 32 x 32 eldas para CCDet on sensado óptio y seleión de direión, diseñado en una tenología CMOS de.6 µm on doble-metal y un sólo poly-siliio. En ella apareen datos relativos a una sola elda, a la matriz de eldas de la CNN, al sistema (CNN mas iruitería de ontrol y polarizaión) y al hip ompleto (inluyendo los pads ). También apareen datos sobre el tiempo total de proesado de una imagen en el que se inluye tanto el tiempo de ejeuión de la CCDet omo los tiempos de arga y desarga de los patrones de entrada y salida, respetivamente. El prototipo se enuentra atualmente bajo test, por lo que en la presentaión del trabajo se darán Tabla : CARACTERÍSTICA Dimensiones de la Celda Dim. 32x32 Celdas Dim. del Sistema Dim. Chip Completo VALOR 43.6µm 5.6m 4598µm 4894µm 4797µm 540µm 502µm 5799µm Potenia por elda 330µW Pot. dis. por 32x32 eldas Pot. dis. por el Sistema Freuenia Máx. Reloj 338mW 380mW 0MHz Tiempo para la CCDet 8µs Tiempo total.2µs o 4.4µs
resultados más detallados. Referenias [] L.O. Chua and L. Yang: Cellular Neural Networks: Theory. IEEE Trans. Ciruits and Systems, Vol. 35, pp 257-272, Otober 988. [2] L.O. Chua and L. Yang: Cellular Neural Networks: Appliations. IEEE Trans. Ciruits and Systems, Vol. 35, pp 273-290, 988. [3] T. Roska, T. Boros, P. Thiran and L.O. Chua: Deteting Simple Motion Using Cellular Neural Networks. Pro. First IEEE Int. Workshop on Cellular Neural Networks and their Appliations, pp 27-38, Budapest, Deember 990. [4] T. Sziranyi and J. Csisvari: High-speed Charater Reognition Using a Dual Cellular Neural Network Arhiteture. IEEE Trans. Ciruits and Systems II: Analog and Digital Signal Proessing, Vol. 40, pp 223-23, Marh 993. [5] H. Suzuki, T. Matsumoto and L.O. Chua: A CNN Handwritten Charater Reognizer. Int. J. Ciruit Theory and Appliations, Vol. 20, pp 60-62, John Wiley & Sons, September-Otober 992. [6] G. Seyler: Small Objet Counting with Cellular Neural Networks. Pro. First IEEE Int. Workshop on Cellular Neural Networks and their Appliations, pp 4-23, Budapest, Deember 990. [7] C.W. Wu, L.O. Chua and T. Roska: A Two-Layer Radon Transform Cellular Neural Network. IEEE Trans. Ciruits and Systems II: Analog and Digital Signal Proessing, Vol. 39, pp 488-489, July 992. [8] T. Matsumoto, L.O. Chua and R. Furukawa: CNN Cloning Template: Hole Filler. IEEE Trans. Ciruits and Systems, Vol. 37, pp 633-635, May 990. [9] T. Matsumoto, L.O. Chua and H. Suzuki: CNN Cloning Template: Conneted Component Detetor. IEEE Trans. Ciruits and Systems, Vol. 37, pp 635-638, May 990. [0]G. Eros, T. Boros, A.Kiss, A. Radvány, T. Roska, J. Bito and J. Vass: Optial Traking System for Automati Guided Vehiles Using Cellular Neural Networks. Pro. Seond IEEE Int. Workshop on Cellular Neural Networks and their Appliations, pp 26-22, Munih, Otober 992. []S. Espejo, Redes Neuronales Celulares: Modelado y Diseño Monolítio, Tesis Dotoral, Universidad de Sevilla, Febrero 994. [2]A. Rodríguez-Vázquez, S. Espejo, R. Domínguez-Castro, J.L. Huertas and E. Sánhez-Sinenio: Current-Mode Tehniques for the Implementation of Continuous- and Disrete-Time Cellular Neural Networks. IEEE Trans. Ciruits and Systems, Vol. 40, Marh 993. [3]J.M. Cruz and L.O. Chua: A CNN Chip for Conneted Component Detetion. IEEE Trans. Ciruits and Systems, Vol. 38, pp 82-87, July 99. [4]S. Espejo, A. Rodríguez-Vázquez, R. Domínguez-Castro, J.L. Huertas and E. Sánhez-Sinenio: An Analog Design Tehnique for Smart-Pixel CMOS Chips. Pro. of the 993 European Solid-State Ciruits Conferene, Sevilla, September 993.
f( ) x (0) a De los veinos d u b τ x f( ) y a d b d g( ) A los veinos g( ) Figura : Diagrama de Bloques para una Celda según el modelo de Rango Completo [2] en Tiempo Continuo. De los veinos ST ST BLOQUE DINAMICO x(0) a I Q v RP I Q a d v RN a d a d I Q a d y a d y A los veinos i v i v b) i 2 v 2 i 2 v 2 V CAS a) a I Q a d I Q I B I B I B Figura 2: a) Esquema General de una elda de CNN en modo de orriente; b) Transondutor Genério e implementaión Casode; ) Bloque Dinámio ) i in C i o
LOAD! VPB!VCP!VCN! INOUTP() j SEL() i FOT! LOAD! op on OEE ONE OSS OSE OWW OSW ONN ONW SELM() i FOT! INP( j) VTH! S0! S0! S! S! Figura 3: Esquema de la elda básia de la CNN. a) I T I D substrato p - pozo n - difusión n difusión p A w A w metal- I T I D ontato b) ) I S I o I S I o I TH M SUM M TH SUM Figura 5: Interfae óptia: a) Fotosensores de alta sensibilidad en tenologías CMOS onvenionales, b) Ciruitería auxiliar de desplazamiento de nivel para salida bidireional y ) ajuste automátio del umbral. a) Entrada y Salida Digital b)