标签: 嵌入式

ELF 2的“AI之心”——基于瑞芯微RK3588这颗强大的AI芯片。 RK3588，以其卓越的性能和高效的AI处理能力，在行业内早已声名鹊起。ELF 2正是借助这颗“智慧之心”，拥有了四核ARM Cortex-A76与四核ARM Cortex-A55的CPU架构，主频高达2.4GHz，让AI运算如虎添翼，无论是深度学习、图像处理还是自然语言处理，都能轻松应对。 而说到 AI算力，ELF 2内置的6TOPS NPU（神经网络处理单元）绝对是它的杀手锏！ 这颗强大的“智慧大脑”不仅支持TensorFlow、PyTorch等主流深度学习框架，还能以惊人的速度处理复杂的AI任务。 ELF 2的设计也是超级贴心，小巧便携，无论是实验室的深入研究，还是户外的创意实践，都能轻松携带。4×100pin的超薄板对板连接器，让插拔变得异常简单。

2024年11月27日， OpenHarmony人才生态大会2024 在武汉洲际酒店举行。在这场汇聚了行业精英、技术大咖及生态伙伴的年度盛会上，飞凌嵌入式作为OpenHarmony社区的重要成员受邀出席，并展示了其在OpenHarmony 4.1系统适配方面的最新成果。 在大会的静态展示区域，飞凌嵌入式携两款明星产品OK3568-C开发板和OK527N-C开发板的显示方案亮相，这两款开发板均已完成对OpenHarmony 4.1系统的深度适配与优化，展现了飞凌嵌入式在实现鸿蒙生态应用落地方面的强大推动力。 OK3568-C开发板 OK527N-C开发板 飞凌嵌入式始终积极推动OpenHarmony生态的发展。凭借深厚的技术积累和敏锐的市场洞察力，飞凌嵌入式目前已成功为搭载恩智浦i.MX6ULL、瑞芯微RK3568/RK3568J以及全志T527N处理器的多款嵌入式核心板适配了OpenHarmony 4.1系统，不仅拓宽了OpenHarmony的应用场景，也为国产操作系统的推广做出了贡献。通过不断优化软硬件协同，飞凌嵌入式有效提升了系统的稳定性和性能，为开发者提供了更加丰富、高效的开发工具和平台。 展望未来，飞凌嵌入式将继续加深与OpenHarmony社区的合作，并积极探索物联网和人工智能等新技术、新应用，推动OpenHarmony在千行百业的广泛应用。

近日，飞凌嵌入式成功入选 国家级专精特新重点“小巨人”企业 名单，这是继2023年飞凌嵌入式入选国家级专精特新“小巨人”名单后的又一国家级殊荣。 国家级专精特新重点“小巨人”企业是专精特新“小巨人”企业里的佼佼者，是从专精特新“小巨人”里再次 优选出来的企业 ，并且重点小巨人企业将会获得国家在财政、税务等多方面 重点支持发展 。 飞凌嵌入式于2023年入选国家级专精特新“小巨人”企业 此次入选国家级专精特新重点“小巨人”企业，代表着国家对飞凌嵌入式技术实力、创新能力的认可，更是对其所在领域及未来发展潜力的信任。 飞凌嵌入式作为一家专注嵌入式核心控制系统研发、设计和生产的高新技术企业，始终高度重视技术创新。十八年来积累了丰富的行业经验以及技术沉淀，形成了完善的嵌入式系统解决方案。目前，飞凌嵌入式已拥有软件著作权95件，专利总数55件。 未来，飞凌嵌入式仍将牢记“让客户的产品研发更简单、更高效，让客户的产品更智能、更稳定”的使命，不断提高技术实力和服务质量，推动嵌入式技术行业创新和产业发展。

随着市场对嵌入式设备的功能需求越来越高，集成了嵌入式处理器和实时处理器的主控方案日益增多，以便更好地平衡性能与效率——实时核负责高实时性任务，A核处理复杂任务，两核间需实时交换数据。然而在数据传输方面，传统串行接口尽管成本较低，但其传输速率相对较慢；反之，并行接口虽然传输速度快，但成本却比较高。因此，单芯片多核异构处理器就成为能够满足需求的理想选择。 RISC-V作为一种开源指令集架构，以其简洁性、一致性、可扩展性以及高编译效率，为实时性处理场景提供了强大的支持。将A核与RISC-V核结合作为单芯多核异构方案，可以有效利用RISC-V的这些优势，实现高性能与高实时性的有效结合。 本文将以OK113i-S开发板为例，为大家介绍RISC-V核的资源和应用案例。 1、OK113i-S开发板的RISC-V核 飞凌嵌入式OK113i-S开发板是一款基于全志T113-i工业级处理器开发的高性价比开发板，集成了双核Cortex-A7 CPU、64位玄铁C906 RISC-V和DSP，能够提供高效的计算能力和性价比。尤为值得一提的是，其内置的RISC-V核心作为一款超高能效的实时处理器，主频峰值可达1008MHz，并标准配备了内存管理单元，能够流畅运行RTOS系统或裸机程序，进一步提升了应用灵活性。 1.1 RISC-V核的特性 (1) 最高主频可达1008MHz； (2) 32KB指令缓存； (3) 32KB数据缓存； (4) 可运行于超大容量的DDR ... ... 1.2 RISC-V核的接口资源 2、应用实例 2.1 SPI数据收发 本案例为SPI回环测试，即将SPI的MOSI和MISO两个引脚短接进行数据收发。 (1) 功能介绍 (2) 效果实现 SPI发送和接收的FIFO均为64个，在底层hal库程序中，当数据长度小于64字节时，采用中断方式，当FIFO大于等于64字节时，采用DMA模式。 中断方式传输效果： DMA方式传输效果： 在DMA传输方式下，SPI速率默认为5Mbit/s，案例中平均传输速率为580.43KB/s，即4.6Mbit/s，接近理论值。 2.2 核间通信RPbuf RPbuf是全志基于RPMsg所实现一套高带宽数据传输的框架。RPMsg是基于共享内存和Msgbox中断实现的一套核间通信机制，RPMsg除去头部的16字节数据外，单次最多可发送496字节有效数据。因此，全志基于RPMsg实现了一套大数据量传输机制RPbuf，实现原理是在DDR中放置传输的数据，通过RPMsg传输DDR的地址和大小。我们以单次32KB数据传输为例进行展示。 (1) 功能介绍 • VirtIO： 一套虚拟化数据传输框架，用于管理共享内存VRING； • VRING： 由VirtIO管理的一个环形共享内存； • Msgbox： 全志提供的一套消息中断机制，已与linux内核中原生的mailbox框架适配； • MSGBOX_IRQ： Msgbox中断； • RPMsg： 基于VirtIO管理的共享内存所实现一套少量数据传输的框架； • RPbuf： 全志基于RPMsg所实现一套大量数据传输的框架。 由上图可知（以RISC-V核向A核发送数据为例），RPbuf首先将数据放置在DDR中，再将缓冲区首地址和大小通过RPMsg发送至A核（RPMsg将缓冲区首地址和大小放入VRING，然后请求Msgbox中断，A核收到这个中断后，在回调函数中使用RPMsg接口函数来从VRING中取出cmd）。 随后A核从cmd handler中获取缓冲区内的地址和长度，最后在应用层读取数据，从而完成双核间的数据传输。 (2) 效果展示 由上图测试效果可以看到，带宽大约为27~30Mbps。 以上就是飞凌嵌入式OK113i-S开发板RISC-V核部分外设的使用方法，是不是感觉和单片机的开发一样简单方便呢？

本篇测评由优秀测评者“eefocus_3914144”提供。 本文将介绍基于米尔电子MYD-LMX93开发板（米尔基于NXP i.MX93开发板）的基于OpenCV的人脸检测方案测试。 OpenCV提供了一个非常简单的接口，用于相机捕捉一个视频(我用的电脑内置摄像头) 1、安装python3-opencv apt install python3-opencv 2、查看摄像头支持的格式与分辨率 root @debian :~ # v4l2-ctl --device=/dev/video0 --list-formats-ext 经测试，只能支持640*480 为此建立opencv_test.py import cv2 video = cv2.VideoCapture( 0 ) 设置相机参数 video .set(cv2.CAP_PROP_FRAME_WIDTH, 1280) video .set(cv2.CAP_PROP_FRAME_HEIGHT, 720) while True: ret, frame = video. read () cv2. imshow ( "A video" , frame) c = cv2. waitKey ( 1 ) if c == 27 : breakvideo. release ()cv2. destroyAllWindows () 保存后执行”python3 opencv_test.py OpenCV装好后，可以为后面的人脸检测提供可行性。 要实现人脸识别功能，首先要进行人脸检测，判断出图片中人脸的位置，才能进行下一步的操作。 OpenCV人脸检测方法 在OpenCV中主要使用了两种特征（即两种方法）进行人脸检测，Haar特征和LBP特征。用得最多的是Haar特征人脸检测，此外OpenCV中还集成了深度学习方法来实现人脸检测。 【参考资料】 使用OpenCV工具包成功实现人脸检测与人脸识别，包括传统视觉和深度学习方法（附完整代码，模型下载......）_opencv人脸识别-CSDN博客 【Haar级联检测器预训练模型下载】 opencv/opencv: Open Source Computer Vision Library (github.com) 下载好的，在 opencv-4.xdatahaarcascades 文件夹下有模型，把他上传到开发板。 【获取检测人脸的图片】 我在百度上找到了**的图片，并把它也上传到开发板。 【编写检测代码】 import numpy as np import cv2 as cv if __name__ == '__main__' : # (6) 使用 Haar 级联分类器 预训练模型 检测人脸 # 读取待检测的图片 img = cv.imread( "yanmi.jpg" ) print (img.shape) # 加载 Haar 级联分类器 预训练模型 model_path = "haarcascade_frontalface_alt2.xml" face_detector = cv.CascadeClassifier(model_path) # # 使用级联分类器检测人脸 faces = face_detector.detectMultiScale(img, scaleFactor= 1.1 , minNeighbors= 1 , minSize=( 30 , 30 ), maxSize=( 300 , 300 )) print (faces.shape) # (17, 4) print (faces ) # (x, y, width, height) # 绘制人脸检测框 for x, y, width, height in faces: cv.rectangle(img, (x, y), (x + width, y + height), ( 0 , 0 , 255 ), 2 , cv.LINE_8, 0 ) # 显示图片 cv.imshow( "faces" , img) cv.waitKey( 0 ) cv.destroyAllWindows() 【实验效果】 运行程序后，可以正确地识别，效果如下：