1.k210ͼ?像识?ʶ??Դ??
2.2023 电赛 E 题 激光笔识别有误--使用K210/Openmv/树莓派/Jetson nano实现激光笔在黑色区域的目标检测
3.2023 电赛 E 题 K210 方案--K210实现矩形识别
4.如何评价嘉楠耘智的勘智k210芯片?
5.中国有哪些ai芯片公司
6.K210系列开发板介绍

k210ͼ??ʶ??Դ??

       智能分类垃圾桶已逐步融入人们的生活，其背后的别源科学原理充满探究价值。设计一款教学项目，像识不仅能让学生体验人工智能技术的别源应用，还能促进他们在垃圾分类活动中的像识实践与创新，有效提升实践能力与问题解决能力。别源springcloud重要源码解析

       为了创新优化“智能分类垃圾桶”项目，像识设计出一款全自动、别源低成本的像识智能分类垃圾桶。材料上，别源我们选用Kendryte K处理器为核心开发的像识人工智能摄像头模块，Arduino UNO控制板作为系统核心，别源搭配超声波传感器、像识舵机模块、别源红外感应器、像识LED灯带、MP3模块等，实现全自动智能垃圾分类。同时，具备“人—桶”交互功能，如图1所示。

       图1 全自动智能分类垃圾桶

       项目从自动感应、图像识别、全自动投放、溢满判断和语音播报五个方面进行创新设计。具体如下：

       1. **自动感应**：在投放口增加红外感应门，使用红外感应器判断人是否靠近，以自动开盖。托盘供用户放置垃圾，体验更佳。

       2. **图像识别**：使用人工智能摄像头进行图像识别，先采集所有垃圾图像，标记数据集，通过多次迭代训练，实现自动识别垃圾类型。引导学生探索计算机识别图像过程，认识到数据的重要性。

       3. **全自动投放**：使用两个舵机控制托盘移动，pb excel 导入 源码将垃圾运载到相应收集箱上方，倾倒垃圾，实现全自动精准投放。此为作品最大创新点。

       4. **溢满判断**：超声波传感器判断垃圾收集箱是否溢满，用户在投放前能得知各箱状态，避免错误投放。

       5. **语音播报**：识别垃圾后，播报名称及类型，确认识别结果。垃圾收集箱满时，LED灯提示，提醒用户及时清理。

       在外观设计上，将垃圾桶造型简化为立方体结构，内置四个分类垃圾收集箱，实现空间最大化利用。四个舵机简化为两个，实现精准投放，顶部设置LED灯带作为溢满提示。整体设计简洁直观，易于识别，改进现有智能垃圾桶设计。

       项目设计融合了人工智能与STEM教育，通过创新优化“智能分类垃圾桶”，不仅提升教学项目的功能，更贴近实际需求，让学生更深入体验人工智能技术对生活的便利性。

电赛 E 题 激光笔识别有误--使用K/Openmv/树莓派/Jetson nano实现激光笔在黑色区域的目标检测

       激光笔在黑色区域目标检测的背景介绍：在机器人导航、智能家居、自动驾驶等领域，目标检测技术的需求日益增长。本内容聚焦于利用K芯片实现激光笔在黑色区域的目标检测。激光笔检测是一个有挑战性的问题，通过K芯片和相关算法，能准确检测激光笔在黑色区域的位置和姿态，为后续应用提供基础。iocp c 库源码

       K芯片概述及优势：K芯片是矽速科技开发的高性能、低功耗人工智能边缘计算芯片，采用RISC-V架构，具备强大计算能力与丰富的外设接口。其优势包括高性能、低功耗、丰富的外设接口以及开源社区支持，为嵌入式人工智能应用提供了灵活的开发环境。

       硬件准备：实现激光笔检测，需要K开发板、摄像头模块与激光笔。连接摄像头与激光笔至开发板，确保稳定连接。

       软件准备：搭建K开发环境，通过MaixPy IDE、kflash_gui工具及MaixPy固件进行硬件设备连接。安装Python库，如labelimg用于图像标注。

       模型训练与优化：数据采集与准备，包括拍摄黑色区域、标注目标位置、划分训练集与测试集、进行数据增强。选择合适的目标检测模型，如yolov3，并使用已准备的数据集进行训练与优化。

       模型预测：训练完成后，使用模型进行激光笔的识别检测。K芯片提供识别代码实现。

       最终效果：激光笔目标检测的准确度受到标注质量和数量的影响。模型性能的优化与应用的扩展为无限可能，鼓励探索与实践。

电赛 E 题 K 方案--K实现矩形识别

       在电赛E题K方案中，实现矩形识别的关键在于对摄像头参数的优化与阈值设定的精确。首先，介绍摄像头相关库功能：

       在初始化摄像头时，reset()用于重置并初始化单目摄像头，c 获取页面源码set_pixformat()用于设置摄像头输出格式，一般推荐使用set_framesize()设置输出帧大小为QVGA格式以确保画面稳定，skip_frames()则用于跳过指定帧数或时间内的图像以达到画面稳定的效果。

       识别过程的核心在于阈值设定，通过调整LAB值来实现对图中矩形框的识别，具体阈值为：(, , -, , , -)。在不同环境下，这个阈值需要灵活调整以适应不同的距离和光线条件。建议在阈值设定时考虑不同情况下的变化，或使用聚类方法获取中间值。

       关键代码包括调用find_blobs()函数查找图像中的所有色块，参数为元组列表的阈值，以及反转阈值操作以匹配所需的白色部分，area_threshold和pixels_threshold用于过滤小区域或像素数较少的色块，merge参数决定是否合并过滤后的色块。此过程最终输出所需矩形框的结果。

       识别过程中可能遇到的问题包括画面距离摄像头过远导致识别效果不佳、移动过程中识别不准确、画面模糊以及代码频繁报错。解决策略包括摄像头稳定时调整识别效果、使用高性能摄像头或跳帧识别、检查摄像头设置或更换摄像头、确保使用正确的MicroPython语法并更新固件。

       实现效果通过后续章节进行优化，使代码在远距离下也能准确识别矩形。实现效果展示了技术的无限可能，鼓励参赛者持续创新。

如何评价嘉楠耘智的勘智k芯片?

       嘉楠耘智的勘智k芯片是团队心血的结晶，历经两年打磨。以下是对该芯片功能的简要分析，帮助理解其在不同场景中的应用能力。

       k芯片支持实时的人脸landmark检测，通过一个轻量级卷积神经网络准确标记人脸特征点，为后续人脸识别提供基础数据。有了landmark信息，识别和追踪变得更加精准。

       在实时人脸检测方面，易语言spy源码k芯片可以流畅跟踪6个人脸，甚至对某个人物的服装细节进行有趣捕捉。这证明了k在实时人脸追踪上的强大性能。

       超快的人脸识别是k芯片的另一大优势，基于深度神经网络模型，其响应速度快，无需等待，大大提高了应用效率。

       一般目标检测功能也展示了k的灵活性，不仅局限于人脸检测，还能应用于识别其他物体，满足多样化需求。

       麦克风阵列处理能力是k的亮点之一，无需额外DSP支持，即可实现远场拾音、声音方向追踪、强度与空间角度信息分析以及波束形成等高级功能。

       语音识别功能虽为常见技术，但k在该领域的应用同样得到了验证，为开发者提供了便捷的集成解决方案。

       此外，k芯片还能支持用户开发各种有趣的应用，包括但不限于图像处理、音频分析、智能家居等。

       人脸识别功能整合了关键点检测与LVGL图形用户界面，提升了用户体验。在硬件加速方面，k通过内置的FPU模块实现FFT运算，提升处理效率。

       在视觉效果上，k芯片展现出强大的3D渲染能力，实时渲染初音未来动画至fps，展示了其在3D内容处理上的潜力。

       整体来看，嘉楠耘智的勘智k芯片在人工智能领域展现出强大的功能与潜力，是国产芯片领域的佼佼者。团队成员们通过不懈努力，将创新理念转化为现实应用，为AI技术的发展做出了重要贡献。

中国有哪些ai芯片公司

       1. 华为海思半导体：推出了升腾和升腾 AI芯片，分别针对全栈全场景人工智能应用和高性能计算需求。

       2. 联发科：推出了天玑 SoC和天玑 AI芯片，适用于高端智能手机和其他移动设备。

       3. 寒武纪科技：推出了第三代云端AI芯片思元，专注于深度学习和人工智能处理。

       4. 地平线机器人：推出了全场景整车智能中央计算芯片征程5，用于智能驾驶和自动驾驶系统。

       5. 中星微电子：推出了新一代人工智能机器视觉芯片“星光摩尔一号”，适用于图像识别和视频分析。

       6. 平头哥半导体：推出了AI推理芯片“含光”和自研云芯片倚天，分别针对云计算和边缘计算需求。

       7. 四维图新：推出了新一代车规级高性能智能座舱芯片AC，用于智能汽车的信息娱乐和交互系统。

       8. 昆仑芯：推出了第二代昆仑芯片，专注于人工智能和大数据处理。

       9. 北京君正：推出了多核异构跨界处理器—X和2K HEVC视觉物联网MCU—C，适用于智能物联网设备。

       . 芯原微电子：提供了Vivante®神经网络处理器IP，用于AI边缘计算和物联网应用。

       . 瑞芯微电子：推出了采用CPU+GPU+NPU硬件结构设计的RK Pro，适用于智能硬件设备。

       . 依图科技：推出了云端视觉AI芯片求索QuestCore™，专注于计算机视觉和深度学习应用。

       . 思必驰：推出了第二代人工智能SOC芯片TH，用于智能语音交互设备。

       . 全志科技：推出了VR9专用亮乎芯片和XR系列MCU+WiFi产品，适用于虚拟现实和增强现实设备。

       . 黑芝麻智能：推出了第二颗车规级智能驾驶感知芯片华山二号A pro，用于自动驾驶系统。

       . 燧原科技：推出了第二代人工智能训练产品“邃思2.0”芯片，专注于深度学习训练。

       . 天数智芯：推出了云端7nm GPGPU产品卡“天垓”，用于高性能计算和人工智能应用。

       . 杭州国芯：推出了GX超低功耗AI语音芯片和GX物联网人工智能芯片，适用于智能家居和物联网设备。

       . 西井科技：推出了AI芯片DeepWell，用于智能服务和机器人技术。

       . 国科微：推出了DVB/IP融合4K超高清芯片GKVB，用于数字电视和家庭娱乐设备。

       . 嘉楠耘智：推出了勘智K和勘智K AI芯片，分别适用于中高端边缘侧应用市场和边缘计算设备。

       . 景嘉微：推出了图形处理器芯片(GPU)-JM和JM9系列图形处理芯片，用于计算机视觉和图形处理。

       . 云天励飞：推出了自主可控的神经网络处理器芯片云天初芯TM DeepEye，专注于智能视频分析和图像识别。

       . 富瀚微电子：推出了轻智能摄像机芯片FH/FH/FH系列产品，用于视频监控和智能视频分析。

       . 华夏芯：推出了高性能SoC GP和低功耗异构多核SoC GP，适用于多种计算和智能设备。

K系列开发板介绍

       勘智K是小编去年接触的一款性价比不错的AIRV R3开发套件中的芯片。它具有双核位处理器和独立FPU，内置KPU用于神经网络加速以及APU处理语音数据，具备视觉和听觉处理能力，且功耗低、性能高。采用TSMC 纳米制程，稳定性与可靠性有保证，常用于物联网开发和人工智能探索。但其内存短板为8MByte的高速SRAM，限制了大型模型的优化与运行。

       K硬件模块强大，包括一块K芯片、OV摄像头、LCD屏，以及TypeC接口、TF卡槽、Wifi接口和MB Flash等外设接口。基于双核RISC-V 位处理器，支持双精度指令加速，主频高达MHZ，适用于各种业务场景及计算任务。自研的KPU进行神经网络加速，官方Demo提供多种视觉任务，包括人脸检测、图像识别与图像分类，分类任务最高可达fps，检测任务在QVGA网络下帧率可达fps。在门禁系统、考勤系统等场景有广泛应用。

       此芯片号称1TOPS算力，功耗仅为0.3W，远低于典型设备的1W功耗。支持多种AI解决方案，包括边缘计算、GPU、NPU、FPGA和DSP等，具有较高的算力性价比，适合作为学生或消费级娱乐玩家的开发工具。相比同价位的ARM架构芯片，K在AI部署性能上更优。

       机器视觉解决方案主要依赖KPU计算卷积神经网络，内置部分运算操作，可用于实现红绿灯检测、分拣系统、垃圾分类等任务。机器听觉解决方案则通过APU处理麦克风阵列输入，实现声源定向、波束形成和语音识别等语音任务。实际使用中，K存在SRAM较小的限制，需要进行模型压缩剪枝或参数定点化。

       市场定位方面，K芯片瞄准中高精度的神经网络计算市场，与主流AI芯片相比算力较少，但内存限制较大。产品市场发展面临挑战，需要找准定位，通过后续产品迭代增强竞争力。如在K及后续产品中实现更强算力、更低制程成本，将有望提高市场竞争力。

电赛 E 题 K 方案

       在当今的智能物联网时代，RISC-V架构的AI芯片K凭借其低功耗特性，正成为边缘计算和物联网领域的得力助手。这款芯片支持MicroPython和C等多种编程语言，为开发者提供了丰富的编程灵活性。在计算机视觉的领域，K尤其擅长对象检测任务，其中矩形识别的过程尤为关键。

       矩形识别的每一步都精细且精准，它首先进行图像预处理，包括降噪、阈值处理、对比度增强和光照校正，以提升图像质量和减少干扰。特征提取则是其核心技术，边缘、直线和角点检测是常用的方法，它们揭示了图像中的关键结构信息。进一步，霍夫变换和边缘连接算法被用于检测定位，定位矩形的位置和大小。

       在实际应用中，如自动驾驶、工业检测和机器人视觉等领域，矩形识别的准确性和效率都至关重要。例如，选择最小外接矩形、长宽比筛选和角度筛选等策略，能根据具体场景定制最有效的算法，如MobileNet-SSD、Tiny YOLO、EfficientDet和CornerNet，这些都在K的兼容范围内。

       开发K项目时，从获取开发板、搭建开发环境，到连接设备和编写代码，每一个环节都不可或缺。初始化设备、处理图像、进行矩形识别，再根据坐标返回结果并清理资源，这样的流程确保了应用的稳定性和性能。目标跟踪、姿态估计和物体测量等应用场景，都在K的矩形识别技术的助力下得以实现。

       总结来说，K上的矩形识别技术不仅能满足基本需求，还有广阔的优化和扩展空间。接下来的章节将深入探讨实地测试如何获取精确的矩形坐标，这将是我们探索和创新的又一重要环节。在这个充满无限可能的领域，让我们一同挖掘K的潜力，挑战未来，少年们，让我们一起前行！

无需设限，K的潜力正等待我们去发掘，让我们一起探索智能世界的新边界！