机器视觉（AOI）之嵌入式视觉（5）

2021年2月15日17时04分

广东吉洋视觉：SMT AOI,LED AOI,焊线AOI,焊线检测AOI。

虽然FPGA代表了在边缘实现基于AI/ML功能的合适选择，但是用FPGA进行设计可能会让人望而生畏，尤其是对于没有FPGA经验的人。典型的设计过程包括使用许多可用的ML平台之一来获取工具、库和资源，以便为神经网络构建框架并生成相关代码。代码使用自定义的寄存器传输级(RTL)编译器编译，然后遵循传统的FPGA设计流程，即RTL合成、网络列表生成、定位和路由。

FPGA的编程模型与更大的软件开发社区不一致。虽然ML框架的开发平台很多，但是每个平台都提供了独特的设计结构，需要定制。而且在FPGA行业，对于开箱即用体验的具体应用，评估平台是有限的。投资硬件验证CNN势在必行，尤其是在评估多个平台以确定最佳选择时。

一个没有FPGA经验的软件开发人员，必须能够在一个没有硬件评估和验证的平台上对一个训练好的神经网络进行编程，并且能够得到多个操作系统的支持。为了应对围绕机器学习应用的FPGA编程挑战，有必要将技术和设计过程进行独特的结合。这种结合必须提供广泛的互操作性框架和抽象的硬件编程，允许开发人员在C/C环境中编码，并使用低功耗的神神经网络。

这种方法的一个例子可以在微芯片为其PolarFire  FPGA提供的软件开发工具包(SDK)中看到。该工具包可以开发低功耗、灵活的基于叠加的神经网络应用，而无需学习FPGA设计过程。该套件包括一个位精确模拟器，使用户能够在软件环境中验证硬件的准确性。理想情况下，工具包还应该包含神经网络IP，这样在运行时就可以加载不同的网络模型，还应该提供移植多框架、多网络解决方案的灵活性。

必须考虑安全性和可靠性，以确保真实性、防篡改性和安全推理，特别是在监视或无人驾驶飞行器等应用中。实时更新FPGA提供了一个基本优势，因为灵敏度可以用新的定义来处理。FPGA必须提供有竞争力的安全特性，以确保完整的设计IP保护、安全的数据通信和防篡改。

郑重声明：
1、部分内容来源于网络，本文版权归原作者所有，转载文章仅为传播更多信息之目的。
2、本文仅供学术交流，非商用。如果某部分不小心侵犯了大家的利益，请联系删除。​