5G时代是一个万物互联的时代，我们将门锁、树莓派、服务器和*客户端结合，设计了一个多功能的智能门锁，并且在5G的支持下，我们可以减少通信时的延迟。该智能门锁以树莓派作为主控，Android studio进行app开发。门锁上搭载夜视摄像头，可以对访客进行拍照，记录门外陌生人的信息，摄像头还具有人脸识别功能，可以识别主人和家里的小孩。我们将摄像头采集到的信息通过socket协议上传阿里云服务器，app端可以通过访问服务器获取信息，根据收取的信息，主人可以确定是否开锁。门锁上还有DS18B20温度模块、语音播报模块，实现火灾报警。 该智能门锁具有远程控制、监控、人脸识别、火灾报警、小朋友权限设置功能，功能丰富，适用于多种场合，如办公室、高层住宅等。门锁作为连接室内室外的一个重要工具，不管是室内还是室外发生火灾，它都能比较快的感受到，所以我们在门锁上内置温度传感器，它就能够在发生火灾时迅速发送警告信息给我们。一些不法分子在犯案前，都会实现在别人家门前徘徊观测周围环境，为了安全，很多人会选择在自家门口安装监控，但是这种监控摄像头一般比较大，不法分子很容易发现，我们在门锁上内置一个小型夜视摄像头，既可监控陌生人，也不容易被发现。 新闻上我们经常能看到由于家长疏忽，小孩独自开门出去，导致一些意外发生，我们的智能门锁具有小朋友独自出门拒开功能，若小朋友想出去，家长的*app会马上收到消息，只有家长在app确认开门，小朋友才能出去，避免了小朋友在家长未知情况下随意出门的情况。

1、使用树莓派调用红外摄像头拍摄眼部图像制作数据集，并使用Labelme工具对数据集进行标记； 2、基于百度飞浆PaddlePaddle框架训练DeepLabV3+分割网络对拍摄眼部图像进行分割，提取虹膜特征，并与Unet分割网络进行效果对比，最终MIoU指标达到0.969； 3、对分割后眼部图像采用直方图均衡化增强图像对比度以丰富虹膜图像纹理； 4、将处理后的眼部图像作为分类数据集训练轻量化模型MobileNet并与传统机器学习算法如朴素贝叶斯、决策树、K近邻进行比较，其中朴素贝叶斯算法模型性能最优，识别准确率达到0.97； 5、将训练后的DeepLabV3+模型与朴素贝叶斯模型部署至树莓派并实现虹膜识别；

1、基于TensorFlow框架训练简化版LeNet5对手写数字识别，保存网络权重与偏置参数并转化为二进制使FPGA得以运算； 2、基于FPGA开发平台vivado设计二进制乘法器与加法器以减少FPGA硬件资源消耗；使用乘法器与加法器设计乘加器（MAC），并使用MAC实现一维卷积操作； 3、基于一维卷积操作通过FIFO结构设计实现二维实时卷积，并使用Winogard卷积方法减少二维卷积中乘法次数（通过增加少量加操作减少乘操作，乘操作资源消耗远高于加法操作），最终将卷积乘法次数减少22%（卷积步长为2）； 4、基于二维卷积设计实现卷积层，基于MAC实现全连接层，使用查找表LUT实现relu、softmax激活函数，并将所有模块单独仿真后综合；将网络权重与偏置参数导入FPGA，输入手写数字图像进行识别；