RK3588 CPU+GPU+NPU三位一体AI边缘控制器，应用于工程车辆/轨道交通+疲劳驾驶检测告警 -- 1

XMS-201采用了Rockchip RK3588八核64位处理器，集成ARM Mali-G610 MP4四核GPU，内置AI加速器NPU，可提供6Tops算力，支持主流的深度学习框架；性能强劲的RK3588可为各类AI应用场景带来更强大的性能表现，适用于机器视觉、边缘计算、智能NVR、智慧大屏等领域。

RK3588处理器，作为一款业界领先的芯片，拥有强大的计算能力和高效的功耗控制。这款处理器采用了先进的制程技术，保证了其在复杂运算和数据处理方面的出色表现。无论是图像识别、自然语言处理还是大数据分析，RK3588都能轻松应对，为AI应用提供强大的动力。

而我们的AI边缘控制器XMS-201，正是基于RK3588处理器的强大性能，进行了深度优化和定制。它具备强大的运算能力、出众的AI算力、出色的的视频处理能力、丰富的高速接口、卓越的图形处理性能和高速稳定且低延迟的通信能力等，能够满足各种苛刻的工业和商业场景需求。无论是智能制造、智慧城市还是智能交通，这款控制器都能发挥出其独特的优势。

产品特点

● 三位一体（CPU+GPU+NPU）

-CPU: Rockchip RK3588 4*Cortex-A76+4*Cortex-A55, 2.0GHz

-GPU: ARM Mail-G610 MP4四核

-NPU: 6.0 TOPS

● 8GB LPDDR4

● Onboard 64GB eMMC5.1

● 丰富的I/O接口，支持多屏异显（HDMI+LVDS+eDP）

● 高效互联（GbE/4G/5G/WiFi/BT）

● 可自主扩展：

-1x M.2 B-Key（USB3.0/USB2.0）

-1x M.2 M-Key（SATA/PCIe）

-1x M.2 E-Key（SDIO/UART/USB2.0）

● 提供SDK工具包

● DC9~36V Power input

● OS: Ubuntu20.04/Ubuntu22.04

*Internal: 1、M.2 B key/M.2 M key/M.2 E key    2、LVDS/eDP    3、MIO（SDIO/UART/SPI ec）

高效互联——强大的网络通讯能力

完整的网络方案，使系统既可接入多路传感设备，又可和云端通讯，同时还可以无线连接移动基站，保证信号的采集、数据通讯和信息发布的独立带宽。

■ 3 x 千兆以太网口，其中2路采用Intel I210AT网络芯片，对大多数工业协议有良好的兼容性；

■ 1x M.2 B-Key 3042/3052内部(USB3.0/2.0),支持4G/5G

■ 1x M.2 E-Key 2230内部(USB2.0/SDIO/UART),WIFI/BT

可扩展自主子板，堆叠集群

标准4* 20Pin-F CONN，PH=2.0mm多种功能扩展接口，开放引脚定义（包括：1x PCIe Signal，2x USB2.0 Signal (USB HUB)，4x UART Signal(或GPIO*32，1x SMbus Signal，扩充板供电电源），可扩展自主子板、堆叠集群等高级功能、实现毫秒级视觉和运动联动控制。

三屏异显，多通道输入输出

板载HDMI 2.1 (4K@60fps)、eDP1.4（8K@60fps）、1x LVDS（2CH/24-bit）视频输出接口，HDMI RX2.0视频输入接口。支持三屏异显（HDMI2.1（4K）+eDP1.4（8K）+双通道LVDS），可应用于多屏互动显示的各种场景中。

提供专业的SDK软件开发工具包

提供完整的SDK包，含BSP、GPIO配置APP demo、NPU目标识别demo，若扩展光源控制板，可以提供光源控制APP demo。

在AI方面，帮助厂商快速熟悉了RK平台的NPU开发工具RKNN，快速部署已训练好的模型，实现AI应用落地。

疲劳驾驶检测案例
本案例将使用开源项目中的Face Detect与Face Mesh两个模型，实现一个简单的疲劳驾驶检测应用并提醒，最终效果如下所示：

案例所需资源（代码、模型、测试数据等）均可从obs桶下载。

开发背景
“道路千万条，安全第一条”，交通安全是我们出行首要关注的问题，而疲劳驾驶一直是引发交通事故的一个主要原因。

在AI算法惠及生活的现在，我们想利用ModelBox开发板快速实现、便利调试开发的特点，实现一个疲劳驾驶提醒应用案例demo，实现基本的疲劳驾驶检测与辅助提醒效果。希望大家能从此案例得到启发与参考，开发出更多丰富、有趣的应用。

算法原理

该项目主要原理为：通过面部检测模块定位出面部区域，将其输入到面部关键点模块检测出面部关键点，并对其中的眼睛、嘴巴等关键点计算其EAR值与时长判断其是否处于疲劳状态并进行提醒。

从摄像头检测出面部区域

从面部检测出关键点

通过公式计算出EAR值，并根据实时滑动窗口计算占比，超过阈值则判断为疲劳应该对其进行提醒