标签: 瑞芯微

在工业自动化、能源管理和智慧交通等领域中，高效、可靠的通信接口是确保系统稳定运行的关键，控制器局域网（CAN）总线技术以其卓越的性能和广泛的应用场景，成为了这些领域的首选通信协议。飞凌嵌入式基于瑞芯微RK3506J处理器设计开发的FET3506J-S核心板作为一款全国产化、全工业级、高性价比的主控产品，以其多核异构架构和丰富的接口资源，能够为泛工业应用提供稳定可靠的支持。 RK3506J核心板支持2路CAN-FD，本文就将为大家介绍CAN和CAN-FD接口的性能表现。 1、速率测试表现 本次测试使用的飞凌嵌入式RK3506J核心板的内核版本为Linux6.1。 01.CAN性能测试 首先进行CAN接口测试，内容包括：单路仅接收、多路仅接收、单路仅发送、多路仅发送、单路同时收发、多路同时收发 共6项。具体的测试数据如下： 通过以上测试数据，我们可以看到RK3506J核心板的CAN接口通信表现十分出色： ① 接收能力正常，总线占用率在88%左右，单路或2路同时接收，不会丢帧； ② 发送能力正常，总线占用率在85%左右，单路或2路同时发送，不会丢帧； ③ 单路或2路，1:1同时收发，总线占用到88%，不丢帧，没有发送无空间等问题。 02.CAN-FD性能测试 接下来进行CAN-FD接口测试，测试内容与以上相同。具体的测试数据如下： 通过以上测试数据不难看出，RK3506J核心板的CAN-FD接口通信表现同样优秀： ① 接收能力正常，总线占用率在90%的情况下，单路或2路同时接收，不会丢帧； ② 发送能力正常，总线占用率在90%的情况下，单路或2路同时发送，不会丢帧； ③ 单路和两路，1:1同时收发，总线占用率在87%的情况下，无丢帧，无错误帧。 2、RK3506核心板为泛工业应用稳定赋能 通过以上测试我们可以看到，飞凌嵌入式RK3506J核心板拥有出色的CAN/CAN-FD接口性能表现，不仅如此，它还具备丰富的常用外围接口，如： RMII、UART、CAN、Display 等；支持 高速并行总线接口DSMC ；拥有可配置的 并行数据接口FlexBUS ；此外，还采用了 矩阵IO设计 ，让众多功能信号共享有限的引脚接口。 如此丰富的接口配置，使飞凌嵌入式RK3506J核心板能够广泛适用于工业自动化、消费电子、智慧医疗、电力、新能源、通信等行业及相关应用领域。加之飞凌嵌入式具有竞争力的价格优势及完备的售后技术支持，助力您的产品快速上市，走在行业前沿。

在智慧城市与工业4.0加速发展的背景下，安防监控系统正经历从"看得见"到"看得懂"的智能化升级。尤其在智慧交通、智能楼宇及公共安全领域，实时视频分析与快速决策能力已成为保障运营效率的核心需求。 针对多路视频监控场景对实时性、智能化提出的双重挑战，飞凌嵌入式推出了基于RK3588核心板的智能多路安防网关解决方案，凭借板载的视频编解码硬件加速单元VPU和神经网络处理单元NPU实现多路视频数据实时编解码和多种AI模型的推理，构建起从视频采集到智能分析的全流程闭环。 1、FET3588-C核心板性能解析 我们先来看一看主控设备的核心配置。搭载瑞芯微RK3588旗舰级处理器，采用4×Cortex-A76@2.4GHz+4×Cortex-A55@1.8GHz的大小核架构，为多任务处理提供强劲动力；内置瑞芯微自研三核NPU，可协同或独立工作，从而灵活分配算力，避免冗余，综合算力可达6TOPS，为边缘侧AI提供充沛的算力支持；还引入了新一代4800万像素ISP3.0，可实现镜头阴影校正, 2D/3D降噪，锐化去雾，鱼眼校正，伽马校正，宽动态对比度增强等效果，大幅提升图像质量；此外，丰富的高速数据通讯接口也配备齐全，可以满足用户多样化的需求。 2、系统数据流向 FET3588-C核心板、多路网络摄像头和PC处于由交换机组成的局域网中——FET3588-C核心板负责对网络摄像头输入的视频流进行拉流解码、AI推理、编码推流的全流程；经处理后的视频流被推送至指定的流媒体服务器；PC从该流媒体服务器上拉流播放相应的视频。 3、方案亮点 01. 实时视频高效处理 FET3588-C核心板采用瑞芯微第四代编解码技术，除支持主流的8K@60fpsH.265解码器和8K@30fps的H.264解码器外，还支持8K@60fps VP9解码器及4K@60fps AV1解码器。 全流程中的视频编解码和AI推理均依靠核心板进行编解码处理。在多路摄像头输入的情况下，每帧视频数据解码耗时在15ms左右，推理耗时在30-200ms左右，通过抽帧操作，可以满足对20fps左右的多路摄像头视频数据进行实时处理。 02.多种AI模型实时推理 FET3588-C核心板引入了INT4/INT8/INT16/FP16混合运算，MAC利用率提升28%以上同时升级2.0 RKNN TOOLkit2套件，具备强大兼容性，满足绝大多数终端设备边缘计算的需求。 该解决方案支持部署多种AI模型，可满足不同的应用场景需求。如一路视频流使用目标检测模型，同时另一路视频流使用关键点检测模型等。目前已支持YOLOv8目标检测模型、关键点检测模型、图像分割模型。 03.通过程序外界的配置文件灵活配置 通过独立于程序之外的配置文件可以直接配置摄像头的RTSP地址，对应的AI模型的路径和种类等信息。不需要修改或重新编译程序，方便用户调整和使用。 4、应用实例 FET3588-C核心板、四路网络摄像头和PC通过网线和交换机连接。摄像头采集的画面输出为H.264编码的RTSP码流，1080P分辨率，20fps，所有设备处于同一网段；PC端可通过FFplay、VLC等播放器拉流播放四路视频流。 画面效果 【画面1】为区域预警检测（当有目标进入红框区域时，区域框的颜色由绿色变为红色）； 【画面2】为图像分割模型； 【画面3】是目标检测模型； 【画面4】为人体关键点检测模型。 5、总结 总体而言，基于飞凌嵌入式FET3588-C核心板的智能网关解决方案实现了从多路视频输入解码、AI实时推理到编码推流至媒体服务器的全流程技术闭环，能够为工业视频监控提供高效的边缘计算支持。

本文将介绍基于米尔电子MYD-LR3576开发板（米尔基于瑞芯微RK3576开发板）的创建机器学习环境的开发测试。 摘自优秀创作者-lulugl 米尔基于瑞芯微RK3576开发板 【前言】 【米尔-瑞芯微RK3576核心板及开发板】具有6TpsNPU以及GPU，因此是学习机器学习的好环境，为此结合《深度学习的数学——使用Python语言》 1、使用vscode 连接远程开发板 2、使用conda新建虚拟环境： root @myd -lr3576x-debian: /home/m yir/pro_learn # conda create --name myenv python=3.9 执行结果如下： root@myd-lr3576x-debian:/home/myir/pro_learn# conda create --name myenv python= 3 . 9 Channels: - defaults Platform: linux-aarch64 Collecting package metadata (repodata.json): done Solving environment: done ## Package Plan ## environment location: /root/miniconda3/envs/myenv added / updated specs: - python= 3 . 9 The following packages will be downloaded: package | build ---------------------------|----------------- _libgcc_mutex- 0 . 1 | main 2 KB defaults _openmp_mutex- 5 . 1 | 51 _gnu 1 . 4 MB defaults ca-certificates- 2024.11.26 | hd43f75c_0 131 KB defaults ld_impl_linux-aarch64- 2 . 40 | h48e3ba3_0 848 KB defaults libffi- 3 . 4 . 4 | h419075a_1 140 KB defaults libgcc-ng- 11 . 2 . 0 | h 1234567_1 1 . 3 MB defaults libgomp- 11 . 2 . 0 | h 1234567_1 466 KB defaults libstdcxx-ng- 11 . 2 . 0 | h 1234567_1 779 KB defaults ncurses- 6 . 4 | h419075a_0 1 . 1 MB defaults openssl- 3 . 0 . 15 | h 998d150_0 5 . 2 MB defaults pip- 24 . 2 | py39hd43f75c_0 2 . 2 MB defaults python- 3 . 9 . 20 | h4bb2201_1 24 . 7 MB defaults readline- 8 . 2 | h 998d150_0 381 KB defaults setuptools- 75 . 1 . 0 | py39hd43f75c_0 1 . 6 MB defaults sqlite- 3 . 45 . 3 | h 998d150_0 1 . 5 MB defaults tk- 8 . 6 . 14 | h987d8db_0 3 . 5 MB defaults tzdata- 2024 b | h 04d1e81_0 115 KB defaults wheel- 0 . 44 . 0 | py39hd43f75c_0 111 KB defaults xz- 5 . 4 . 6 | h 998d150_1 662 KB defaults zlib- 1 . 2 . 13 | h 998d150_1 113 KB defaults ------------------------------------------------------------ Total: 46 . 2 MB The following NEW packages will be INSTALLED: _libgcc_mutex anaconda/pkgs/main/linux-aarch 64:: _libgcc_mutex- 0 . 1 -main _openmp_mutex anaconda/pkgs/main/linux-aarch 64:: _openmp_mutex- 5 . 1 - 51 _gnu ca-certificates anaconda/pkgs/main/linux-aarch 64::ca -certificates- 2024.11.26 -hd43f75c_0 ld_impl_linux-aar~ anaconda/pkgs/main/linux-aarch 64:: ld_impl_linux-aarch64- 2 . 40 -h48e3ba3_0 libffi anaconda/pkgs/main/linux-aarch 64:: libffi- 3 . 4 . 4 -h419075a_1 libgcc-ng anaconda/pkgs/main/linux-aarch 64:: libgcc-ng- 11 . 2 . 0 -h 1234567_1 libgomp anaconda/pkgs/main/linux-aarch 64:: libgomp- 11 . 2 . 0 -h 1234567_1 libstdcxx-ng anaconda/pkgs/main/linux-aarch 64:: libstdcxx-ng- 11 . 2 . 0 -h 1234567_1 ncurses anaconda/pkgs/main/linux-aarch 64:: ncurses- 6 . 4 -h419075a_0 openssl anaconda/pkgs/main/linux-aarch 64:: openssl- 3 . 0 . 15 -h 998d150_0 pip anaconda/pkgs/main/linux-aarch 64:: pip- 24 . 2 -py39hd43f75c_0 python anaconda/pkgs/main/linux-aarch 64:: python- 3 . 9 . 20 -h4bb2201_1 readline anaconda/pkgs/main/linux-aarch 64:: readline- 8 . 2 -h 998d150_0 setuptools anaconda/pkgs/main/linux-aarch 64:: setuptools- 75 . 1 . 0 -py39hd43f75c_0 sqlite anaconda/pkgs/main/linux-aarch 64:: sqlite- 3 . 45 . 3 -h 998d150_0 tk anaconda/pkgs/main/linux-aarch 64:: tk- 8 . 6 . 14 -h987d8db_0 tzdata anaconda/pkgs/main/noarch :: tzdata- 2024 b-h 04d1e81_0 wheel anaconda/pkgs/main/linux-aarch 64:: wheel- 0 . 44 . 0 -py39hd43f75c_0 xz anaconda/pkgs/main/linux-aarch 64:: xz- 5 . 4 . 6 -h 998d150_1 zlib anaconda/pkgs/main/linux-aarch 64:: zlib- 1 . 2 . 13 -h 998d150_1 Proceed ( /n)? y Downloading and Extracting Packages: Preparing transaction: done Verifying transaction: done Executing transaction: done # # To activate this environment, use # # $ conda activate myenv # # To deactivate an active environment, use # # $ conda deactivate root@myd-lr3576x-debian:/home/myir/pro_learn# 然后再激活环境： root @myd -lr3576x-debian: /home/m yir/pro_learn # conda activate myenv (myenv) root @myd -lr3576x-debian: /home/m yir/pro_learn # 2、查看python版本号： (myenv) root @myd -lr3576x-debian: /home/m yir/pro_learn # python --version Python 3.9 .20 3、使用conda install numpy等来安装组件，安装好后用pip list查看 编写测试代码： import numpy as np from sklearn.datasets import load_digits from sklearn.neural_network import MLPClassifier d = load_digits() digits = d labels = d N = 200 idx = np.argsort(np.random.random( len (labels))) xtest, ytest = digits ], labels ] xtrain, ytrain = digits ], labels ] clf = MLPClassifier(hidden_layer_sizes=( 128 , )) clf.fit(xtrain, ytrain) score = clf.score(xtest, ytest) pred = clf.predict(xtest) err = np.where(pred != ytest) print ( "score:" , score) print ( "err:" , err) print ( "actual:" , ytest ) print ( "predicted:" , pred ) 在代码中，使用MLPClassifier对象进行建模，训练测试，训练数据集非常快，训练4次后可以达到0.99: 【总结】 米尔的这款开发板，搭载3576这颗强大的芯片，搭建了深度学习的环境，进行了基础的数据集训练，效果非常好！在书中记录训练要几分钟，但是这在这款开发板上测试，只要几秒钟就训练完毕，书中说总体准确率为0.97，但是我在这款开发板上有0.99的良好效果！

锂电池的“剩余使用寿命”（RUL）预测是电池健康管理的重要环节，NASA公开的电池老化数据为研发提供了关键支持。传统方法依赖人工分析，效率和精度都很低；现有嵌入式平台计算能力有限，难以实现实时预测，导致用户对于精准、轻量级解决方案的需求难以满足。 飞凌嵌入式将AI算法（CNN+LSTM融合）和RK3588核心板相结合，成功突破这些限制，带来高效、精准的锂电池寿命预测。本文将对此方案进行简练的介绍。 1、硬件平台：FET3588-C核心板 飞凌嵌入式FET3588-C核心板是基于瑞芯微RK3588旗舰处理器设计开发的一款高性能嵌入式平台，搭载强大的6TOPS算力NPU（神经处理单元），专为AI推理优化，功耗低、算力强，可应用于工业和消费电子设备。 AI算法模块： 结合CNN提取特征、LSTM捕捉趋势，融合后预测容量。 部署模块： 通过RKNN工具将模型优化为.rknn格式，确保在RK3588核心板上高效运行。 数据处理模块： 支持从NASA数据集 提取样本，生成预测结果。 2、算法如何预测电池寿命 01 算法实现 CNN提取特征： 卷积神经网络（CNN）处理电池的电压、电流、温度等的5个时间步，提取充电过程中的局部模式（如电压曲线拐点）。通过多个卷积核和ReLU激活，生成特征向量，捕捉电池运行条件的细微变化。 LSTM捕捉趋势： 长短期记忆网络（LSTM）分析容量序列，运用输入门、遗忘门和输出门机制，有效记忆并建模电池容量的长期衰减趋势（例如从2.0Ah到1.4Ah的老化过程）。使用以下公式动态更新隐藏状态，确保长期依赖建模。 融合与回归： 将CNN提取的局部特征与LSTM捕捉的长期趋势进行拼接融合，输入到全连接层进行回归预测，输出归一化的电池容量值。训练过程使用MSE损失函数、Adam优化器，并加入Dropout层防止过拟合。最终预测结果通过MinMaxScaler反归一化为实际的Ah容量值。 RUL计算： 基于预测的容量值，当容量衰减至预设阈值（通常为初始容量的80%，例如1.6Ah）时，即可计算出剩余使用寿命（RUL）。方案还引入了指数衰减模型进行拟合优化，通过参数λ进一步精化RUL预测结果。指数衰减模型如下： 02 部署在RK3588核心板上 模型转换： 将Keras模型导出为ONNX，再用RKNN工具包转换为.rknn格式，支持RK3588的NPU。FP16量化减少计算量，单样本推理仅0.55毫秒。 推理优化： RKNNLite API逐样本推理，输入转置为NCHW格式（例如 ）。可优化为批量推理，减少循环开销。INT8量化进一步提升效率，但需验证精度。 3、效果展示 上图清晰地展示了方案的实际预测效果： 蓝线： 真实的电池容量衰减曲线。 橙线： AI模型预测的电池容量曲线。 X轴： 样本索引（代表时间/循环次数）。 Y轴： 电池容量（Ah）。 从图中可以直观看出，预测曲线（橙色）与真实曲线（蓝色）基本吻合，充分证明了AI预测模型的精准性。 4、总结 飞凌嵌入式将CNN+LSTM融合AI算法与高性能的RK3588核心板深度结合，精准解决了锂电池剩余使用寿命（RUL）预测的精度与效率难题——在FET3588-C核心板上，算法以FP16量化实现单样本推理的用时仅0.55ms，兼顾高精度（MAPE 3.3%）和低功耗，INT8量化可进一步优化效率。 该方案为锂电池管理系统（BMS）提供了强大、可靠、可落地的轻量级AI预测能力，显著提升了电池使用的安全性和经济性，在电动汽车、储能系统、便携设备等领域具有广阔的应用前景。

在工业自动化领域，控制系统一直面临着“性能与成本难以兼得”的困境。传统方案中，高性能多核处理器成本居高不下，而低端MCU又难以满足实时性与扩展性需求。瑞芯微 RK3506J凭借多核异构架构设计与国产化供应链整合，以轻量级硬件资源实现工业级性能输出，重新定义了控制芯片的性价比边界，为工业控制芯片领域带来了全新的解决方案与发展方向。 一、轻量级设计的性能突围 RK3506J采用3×Cortex - A7多核架构，实现了资源的精准分配与效能最大化。3×A7核主频1.5GHz，运行Linux系统（自主适配QT），能够高效处理人机交互、协议栈等非实时任务，确保了任务的高效执行与响应速度。 RK3506J依托AMP架构，各核心可独立运行不同操作系统或任务，实现资源合理划分与精准分配。在复杂外设协同工作场景下，AMP 架构能将两套系统合二为一，一套板卡即可同时独立运行 Linux 系统和实时系统。 飞凌嵌入式的FET3506J-S核心板基于此架构提供了AP+AP模式实时方案，在此模式下，可以选择任意CPU作为实时核，如CPU0和CPU1作为实时核，CPU2运行Linux系统。Cortex-A7的1.5GHz高主频及硬浮点单元加速特性，使其在处理高精度采样、实时计算、故障检测等严苛实时任务时，能降低任务响应延迟，提升系统实时处理效能，确保系统快速响应与稳定运行，为工业环境中复杂任务的高效处理提供了有力支持。 二、硬件精简：接口复用与资源集约化 RK3506J通过高密度接口复用与灵活矩阵配置，大幅降低了硬件开发复杂度与外围器件成本。丰富的通信接口 ，具备双百兆以太网（支持IEEE1588协议）、2×CAN FD（5Mbps）、6×UART、12×PWM，满足了工业场景中多样化的通信需求，实现了设备间的高效互联与数据传输。 高性能DSMC接口，支持FPGA高速协同，支持主/从模式，为复杂工业系统的高速数据交互与协同工作提供了强大的硬件支持。 灵活的FlexBUS接口，可扩展高速ADC/DAC，能够根据实际应用场景灵活扩展功能，增强了芯片的通用性与适应性。 IOMUX矩阵技术，98个功能信号可自由映射至32个物理引脚，支持UART TX/RX 极性反转、PWM信号重定向，简化了PCB布线层数，降低了硬件设计成本与开发难度，提高了设计的灵活性与效率。 三、场景适配：轻量化内核的高效落地 在典型工业场景下，RK3506通过定制化系统裁剪与轻量级框架适配，实现了“小内核、高产出”的显著效果。它凭借卓越的兼容性与灵活的架构，支持Linux 6.1（自主适配 QT）和Linux RT操作系统，同时可搭载LVGL9.2图形界面库，支持AMP 架构，能够充分满足多样化应用场景的需求。 基于Buildroot定制的Linux系统，融合UBoot加速技术，实现3秒开机，大幅缩短启动时间。同时，采用LVGL图形框架，支持1280×800分辨率HMI界面渲染，为工业设备提供清晰流畅的人机交互界面，提升操作便捷性与用户体验。 四、成本重构：国产化供应链的价值释放 FET3506J-S核心板基于Rockchip RK3506J处理器开发设计。通过 100% 国产化元器件选型与长周期供货承诺，满足电力、交通、工控等行业对国产化的要求。同时进行了充分的可靠性测试，确保在工业环境的可靠运行。 核心板物料100%国产化，含税价格仅88元，为设备厂商提供了更具性价比的国产替代方案，降低了对进口芯片的依赖，保障了供应链的安全与稳定。采用飞凌嵌入式基于瑞芯微RK3506J处理器设计核心板，可缩短2~3个月开发周期，降低开发门槛与研发成本，提高设备厂商的产品开发效率与市场竞争力。 结语： RK3506J以“轻量级架构+硬核性能”的组合，证明了工业芯片无需依赖“堆料”也能实现高效能。其通过多核异构资源分配、接口复用设计与国产化成本控制，不仅为设备厂商提供了高性价比选择，更推动了工业控制芯片从“性能竞赛”向“精准适配” 的范式转变。