标签: T527

近日，飞凌嵌入式FET527-C核心板通过OpenHarmony 4.1 Release版本兼容测评，获得【OpenHarmony生态产品兼容性证书】。 飞凌嵌入式FET527-C核心板搭载全志T527系列全国产高性能处理器，集成8个ARM Cortex-A55核心，并内置RISC-V核和DSP核，提供出色的处理能力和能效比，并且经过严格的工业环境测试，具备高稳定性和可靠性，可为产品的稳定运行保驾护航。 OpenHarmony 4.1则以开放生态为根基，通过分布式架构、高效开发工具与安全增强，构建了覆盖多场景的智能化底座。它不仅填补了传统操作系统在万物互联时代的短板，更通过全球化合作与行业深耕，成为推动工业4.0与数字化转型的关键力量。 这些特性与飞凌嵌入式FET527-C核心板的硬件能力相结合，能够为工业设备提供从底层硬件到上层应用的完整国产化解决方案。

本文将介绍基于米尔电子MYD-LT527开发板（米尔基于全志T527开发板）的OpenCV行人检测方案测试。 摘自优秀创作者-小火苗 一、软件环境安装 1.在全志T527开发板安装OpenCV sudo apt- get install libopencv-dev python3-opencv 2. 在全志T527开发板 ​ 安装pip sudo apt- get install python3-pip 二、行人检测概论 使用HOG和SVM基于全志T527开发板构建行人检测器的关键步骤包括： 准备训练数据集 ：训练数据集应包含大量正样本（行人图像）和负样本（非行人图像）。 计算HOG特征 ：对于每个图像，计算HOG特征。HOG特征是一个一维向量，其中每个元素表示图像中特定位置和方向的梯度强度。 训练SVM分类器 ：使用HOG特征作为输入，训练SVM分类器。SVM分类器将学习区分行人和非行人。 评估模型 ：使用测试数据集评估训练后的模型。计算模型的准确率、召回率和F1分数等指标。 三、代码实现 import cv2 import time def detect( image ,scale): imagex=image. copy () #函数内部做个副本，让每个函数运行在不同的图像上 hog = cv2. HOGDescriptor () #初始化方向梯度直方图描述子 #设置SVM为一个预先训练好的行人检测器 hog. setSVMDetector (cv2. HOGDescriptor_getDefaultPeopleDetector ()) #调用函数detectMultiScale，检测行人对应的边框 time_start = time. time () #记录开始时间 #获取（行人对应的矩形框、对应的权重） (rects, weights) = hog. detectMultiScale (imagex,scale=scale) time_end = time. time () #记录结束时间 # 绘制每一个矩形框 for (x, y, w, h) in rects: cv2. rectangle (imagex, (x, y), (x + w, y + h), ( 0 , 0 , 255 ), 2 ) print ( "sacle size:" ,scale, ",time:" ,time_end-time_start) name= str (scale) cv2. imshow (name, imagex) #显示原始效果 image = cv2. imread ( "back.jpg" ) detect (image, 1.01 ) detect (image, 1.05 ) detect (image, 1.3 ) cv2. waitKey ( 0 ) cv2. destroyAllWindows () 四、实际操作

本文将介绍基于米尔电子MYD-LT527开发板（米尔基于全志T527开发板）的OpenCV手势识别方案测试。 摘自优秀创作者-小火苗 米尔基于全志T527开发板 一、软件环境安装 1.安装OpenCV sudo apt-get install libopencv-dev python3-opencv 2.安装pip sudo apt-get install python3-pip 二、OpenCV手势识别步骤 ​1.图像获取 ：从摄像头或其他图像源获取手部图像。使用OpenCV的VideoCapture类可以捕获视频流，或者使用imread函数加载图像。 2.图像预处理 ：对图像进行预处理，以提高特征提取的准确性。常用的预处理操作包括灰度化、滤波、边缘检测、二值化、噪声去除和形态学处理等。 灰度化：将彩色图像转换为灰度图像，去除颜色信息，简化图像。 滤波：使用滤波器去除图像中的噪声。 边缘检测：使用边缘检测算法提取图像中的边缘信息。 二值化：将灰度图像转换为二值图像，将像素值分为黑色和白色。 形态学处理：使用形态学操作增强手势轮廓。 3.特征提取 ：从预处理后的图像中提取手部特征。常用的特征包括形状特征、纹理特征和运动轨迹特征等。 形状特征：提取手部轮廓、面积、周长、质心等形状特征。 纹理特征：提取手部皮肤纹理、皱纹等纹理特征。 运动轨迹特征：提取手部运动轨迹、速度、加速度等运动轨迹特征。 4.分类和识别 ：使用机器学习算法对提取的特征进行分类，以识别特定的手势。 三、代码实现 # -*- coding: utf-8 -*- import cv2 def reg(x): o1 = cv2.imread('paper.jpg',1) o2 = cv2.imread('rock.jpg',1) o3 = cv2.imread('scissors.jpg',1) gray1 = cv2.cvtColor(o1,cv2.COLOR_BGR2GRAY) gray2 = cv2.cvtColor(o2,cv2.COLOR_BGR2GRAY) gray3 = cv2.cvtColor(o3,cv2.COLOR_BGR2GRAY) xgray = cv2.cvtColor(x,cv2.COLOR_BGR2GRAY) ret, binary1 = cv2.threshold(gray1,127,255,cv2.THRESH_BINARY) ret, binary2 = cv2.threshold(gray2,127,255,cv2.THRESH_BINARY) ret, binary3 = cv2.threshold(gray3,127,255,cv2.THRESH_BINARY) xret, xbinary = cv2.threshold(xgray,127,255,cv2.THRESH_BINARY) contours1, hierarchy = cv2.findContours(binary1, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) contours2, hierarchy = cv2.findContours(binary2, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) contours3, hierarchy = cv2.findContours(binary3, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) xcontours, hierarchy = cv2.findContours(xbinary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) cnt1 = contours1 cnt2 = contours2 cnt3 = contours3 x = xcontours ret=[] ret.append(cv2.matchShapes(x,cnt1,1,0.0)) ret.append(cv2.matchShapes(x,cnt2,1,0.0)) ret.append(cv2.matchShapes(x,cnt3,1,0.0)) max_index = ret.index(min(ret)) #计算最大值索引 if max_index==0: r="paper" elif max_index==1: r="rock" else: r="sessiors" return r t1=cv2.imread('test1.jpg',1) t2=cv2.imread('test2.jpg',1) t3=cv2.imread('test3.jpg',1) # print(reg(t1)) # print(reg(t2)) # print(reg(t3)) # ===========显示处理结果================== org=(0,60) font = cv2.FONT_HERSHEY_SIMPLEX fontScale=2 color=(255,255,255) thickness=3 cv2.putText(t1,reg(t1),org,font,fontScale,color,thickness) cv2.putText(t2,reg(t2),org,font,fontScale,color,thickness) cv2.putText(t3,reg(t3),org,font,fontScale,color,thickness) cv2.imshow('test1',t1) cv2.imshow('test2',t2) cv2.imshow('test3',t3) cv2.waitKey() cv2.destroyAllWindows() 四、实践 1.程序运行 2、原始图像包含训练图像 3.识别结果 识别到了 剪刀 石头 布 原始图片

在国内对于特种车辆有重点安全防范要求，"两客一危"是对道路运输车辆的一种分类方式，其中“两客”指的是客运车辆和公交车辆，而“一危”指的是危险货物运输车辆。这种分类方式主要用于强调这些车辆在道路运输中的特殊地位，因为它们通常需要满足更高的安全标准。 在国内，“两客一危"车辆通常需要安装"部标机”，也就是满足特定部门标准的设备。这些设备可能包括但不限于定位设备、驾驶员行为监控设备、车辆定位系统等系统构件。 随着安全管理意思的加强，在理解满足部标机要求的基础上，运营方往往提出更高要求、更多功能需求。T527方案以强悍的8核A55+6路高清视频流编码+2Tops AI加速能力给客户带来更多附加价值。 MYC-LT527核心板介绍 MYC-LT527核心板采用高密度高速电路板设计，在大小为43mm*45mm板卡上集成了T527、DDR、eMMC、E2PROM、看门狗等电路。MYC-LT527具有最严格的质量标准、超高性能、丰富外设资源、高性价比、长供货时间的特点，适用于高性能车载设备所需要的核心板要求。 配置灵活、适应性强、选择多 为了适应T527系列处理器广泛的用途和具体需求，我们米尔给核心板实现6种标准配置： 也可根据用户需求定制配置型号。

为了充分满足工业领域对高性能和AI算力日益增长的需求，飞凌嵌入式和全志科技今年联合推出了FET527N-C国产工业级核心板。这款核心板搭载了全志新一代高性能T527芯片， 拥有强劲的多算力组合 ，能够满足各种复杂计算需求；同时， 杰出的视频处理能力 ，使得图像处理更加流畅、高效；此外，FET527N-C还配备了 丰富的数据扩展接口 ，方便用户进行各种设备连接和数据传输。 0 1 全志T527芯片详解：计算性能 概览： 全志T527处理器内置8*ARM Cortex-A558核主频可运行至1.8GHz，提供更稳健强劲的处理能力；集成ARM Mail-G57 GPU，让图形显示能力更上一层楼；集成2TOPS NPU，为端侧语音、自然语言处理、图像处理及画质增强等AI应用提供性能支持；内置HiFi4 DSP，频率可达600MHz，广泛应用于图像、音频及数字信号处理的专用领域，为影音娱乐、工业生产提供专属算力；内置RISC-V架构MCU，主频可达200MHz独立运行RTOS系统，为工业及机器人系统上的实时处理、高速响应及工业级的稳定运行提供重要保障...... 全志T527芯片详解：高清图像编解码 概览： T527集成了多个图形显示和编解码相关的硬件模块，为高清图像显示、高清视频播放和多路高清摄像头输入提供了强大的硬件基础；集成了大量图像输入、输出接口，通过与编解码模块的配合，可以实现4K+1080P的双屏幕异显和实现多达6路摄像头图像的交织输入；全志在显示引擎上硬件固化了自研的高清画质算法矩阵AWonder1.0，提供了多维度的图像处理算法；集成了全志自研的安防级专业图像信号处理器 (ISP)，该ISP在前序版本上大幅升级多个模块；T527配套了全志自研量产工具，通过可视化的软件工具，帮助工程师更便捷地对图像参数进行调试，减少工程师工作量...... 0 3 全志T527芯片详解：丰富接口 概览： T527集成了大量适用于工业场景的功能接口，包括PCle接口、CAN总线接口、UART接口和PWM接口等；提供了多种网络传输方案，通过内置接口和外接网络模块的组合，可以实现双1000M以太网、2.4G/5G WiFi、蓝牙、4G/5G蜂窝网等多种网络连接方式；集成了多种常用的屏幕接口，可以实现多种不同屏幕接口的多屏异显组合；在音频方面，T527同样集成了多种接口，包括2路DAC、3路ADC、4路I2S/PCM接口、8路数字麦克风接口及1组OWA接口等...... 在强大的处理器性能、高清图像编解码能力、丰富的资源接口等特性的加持之下，T527处理器优势十分突出，飞凌嵌入式FET527N-C核心板也能够为千行百业的智能化升级提供强大稳定的性能支持。无论您是进