如何解决嵌入式视觉系统所面临的挑战?

作者:Steve Leibson,编译:Stark

嵌入式视觉系统应用到很多领域,比如工业自动化、无人机、交通监控、移动设备、汽车等,凭借其强悍的处理性能和多样化的功能取代传统的人工来提高生产效率。随着科技的发展和更多业务需求的增长,嵌入式视觉系统也迎来了更多的挑战,比如功耗、复杂的算法、处理器的性能、更高的图像分辨率等,人们需要的是更加智能化的系统,嵌入式视觉系统是实现智能化系统重要的组成部分。

图1:嵌入式视觉系统的组成

图1:嵌入式视觉系统的组成

作为系统的输入CMOS和CCD是目前图像采集采用的两种领先技术,CCD能够提供更高的图像质量,但是经过过去10年的发展CMOS与其的差距也越来越小了,在功耗、成本和功耗方面大有超过CCD之势。此外很多应用都需要高效的并行处理系统,因此需要采用专用的硬件处理器比如GPU、DSP、FPGA和多核(multi-core)SoC,但是这无疑会增加系统的成本、功耗和PCB尺寸等,因此一款经济高效的处理器也是行业所需。当然在实际应用中我们要根据系统的实时性能、功耗、图像精度和算法复杂度来选择合适的处理器。

为了协助用户搭建自己的嵌入式视觉平台和产品,Xilinx联盟合作伙伴Avnet(安富利)推出了一系列视觉应用解决方案,比如PicoZed嵌入式视觉开发套件,其中PicoZed SoM集成的是Xilinx Zynq-7030 All Progammable SoC,此外还包括PicoZed扩展板卡V2.0HDMI FMC扩展板卡(集成摄像头接口)和一个Python-1300-C SXGA(1280x1024)摄像头模块。

图2:Avnet(安富利)推出的PicoZed嵌入式视觉开发套件

图2:Avnet(安富利)推出的PicoZed嵌入式视觉开发套件

这款PicoZed视觉开发套件非常适合开发机器视觉应用,除了硬件、软件工具和丰富的授权IP核资源,它还支持reVISION Stack技术栈,reVISON Stack包括丰富的设计资源,比如算法、硬件加速OpenCV函数库以及目前流行的神经网络训练数据集。嵌入式视觉系统还在不断的发展,在各大厂商和工程师们的努力下将会突破各种瓶颈,在机器视觉、人工智能、物联网和工业自动化等领域获得更多的应用。

声明:本文来源于Xilinx Xcell Daily Blog,由创新网赛灵思中文社区编译,转载请注明作者、出处及原文链接