如今，人工智能（AI）已成為嵌入式系統不可或缺的一部分。AI的集成使得這些系統能夠執行復雜的任務，如圖像識別、自然語言處理和預測分析，而無需依賴于外部計算資源。AI在嵌入式系統中的應用正推動著從智能家居設備到自動駕駛汽車等多個行業的創新，它不僅提升了用戶體驗，還為設備制造商帶來了新的商業機會。恩智浦全面的MCU和處理器產品組合針對汽車、智能工業和物聯網行業的機器學習應用進行了優化，其eIQ Neutron神經處理單元（NPU）也提供了廣泛算力支持。

11月30日（本周六），RT-Thread將攜手恩智浦在蘇州發起線下智能視頻監測動手實踐培訓，培訓將覆蓋：RT-Thread移植、RW007 網絡應用、智慧家居視頻監測系統實戰、CherryUSB 實踐、以及多人臉識別實戰。同時我們準備了精美的簽到禮以及開發板獎品，下劃點擊“閱讀原文”立即報名！

培訓時間

11月30日，13:00 - 17:30

培訓地點

蘇州市新區竹園路288號NXP（一樓階梯教室）

AI dmeo：可在端側訓練的基于支持向量機的AI電機異常檢測系統

僅使用30個3軸加速度計進行電機異常檢測模型訓練，訓練時間小于1秒。同時可以在設備上進行單類SVM的訓練和推理，用戶可以實時“重新定義”正常狀態。SVM使用Libsvmcu實現，這是針對MCU的SE修改版Libsvm：沒有動態RAM，模型格式緊湊。

應用程序邏輯：數據收集+特征計算，SVM檢測模式和訓練模式。評估被監控設備的“健康”指標。同時提供直觀的GUI顯示最近的系統健康狀況和實時狀態，以2D狀態空間可視化的形式呈現。

背景及挑戰

時間序列機器學習任務通常需要片上訓練，因為實際數據往往與生命周期中的數據有很大差異

目前的深度學習解決方案不支持片上訓練

競品提供經典機器學習方案

基于時間序列的異常檢測和預測性維護任務變得越來越受歡迎

在MCU生命周期內，學習過程可能需要多次執行

demo功能框圖及性能指標：

創新點

從零到一實現片上訓練的經典機器學習異常檢測演示

MCU友好的基礎設施設計，支持片上訓練

優化的堆內存管理

采用增長配對堆棧替代傳統堆

新的對象序列化方法，支持XIP Flash

數據類型壓縮技術

解決方案

僅使用正常加速度計數據在設備上訓練SVM模型

在設備上進行SVM推理，檢查異常數據樣本

用戶可以通過30秒內的重新訓練，實時重新定義異常閾值

模型可序列化到Flash并使用XIP(無需重建或復制到RAM)

MCU友好的Ubsvm重構，僅使用10KB Flash和2KB RAM

AI demo: MCX N人臉追蹤風扇項目

本系統以切片的方式從SmartDMA獲取640x480x3彩色圖像，并實時把切片通過FlexIO發送給3.5寸液晶屏。與此同時，它把切片下采樣并生成更小的160x128x3彩色圖像，并交給一個基于YOLOv3的定制物體檢測模型。利用NPU的加速，此模型在40ms內檢測一幀圖像，速度差不多是CPU的40倍。同時，PID算法計算出發送給舵機的指令，調整風扇以對準被檢測出的人臉。以上所有任務都由單個運行在150MHz的MCXN947微控制器處理，沒有外部擴展存儲器。

硬件組成

MCXN947主控制器

OV7670攝像頭模塊

X-LCD-PAR-S035顯示屏

LVGL圖形庫支持

客戶需求與目標應用

智能風扇/空調送風

實時追蹤快速移動目標

低成本、低功耗的目標檢測

技術要點

VGA圖像采集，降采樣至160x128x3用于YOLOv3變體檢測

NPU加速推理，比CPU快40倍（21ms推理時間）

使用PID控制伺服電機追蹤最大檢測目標

單片MCXN947 @150MHz完成所有任務，無需外部內存