嵌入式产品低功耗设计

前言

一些电子产品由于应用场景和行业规范要求,需要使用电池供电,并且要有比较长的续航时间,因此在产品的软件、硬件设计中需要进行这方面的设计,以满足低功耗的要求;下面从软硬件的角度分享几点低功耗设计的要点,本文基于STM32系列MCU进行说明,其它平台同理。

一、低功耗的概念

简单说就是采用低功耗设计后用最少的电量完成嵌入式产品的功能,或者说用相同的电量可以使产品工作更长的时间;对于资源节约和绿色环境也起到社会作用;

二、硬件的设计

1、选型

低功耗的产品在器件选择上要尽量选择具备低功耗模式的器件,比如主控、产品其它功能的器件;
对于没有低功耗模式的器件,尽量选择具备同样功能但功耗更低的器件;

2、断电

对于一个器件来说它最省电的情况是停止供电,对于不需要一直供电的产品在硬件设计上应该可以通过主控的IO将器件断电;

3、电压级别

在满足器件正常工作的情况下,不需要提供太高的电压,比如一个器件工作范围3V到5V,设计上给与3V+即可;一个产品是由多级电压组成的,合理设计电压域网络;

4、硬件测试点

低功耗产品要做到每个器件功耗的精准测量和控制,产品设计初期为了方便对每个器件功耗情况的掌握,留出方便测试每个器件的测试点,在整体验证之后可以将测试点移除;

三、软件的设计

1、主控工作模式

支持低功耗模式的主控芯片一般会有多种功耗模式,如STM32L系列有正常模式、sleep模式、standby模式、stop模式,不同模式下对应的功耗、休眠程度不同,可以根据产品的设计需求通过软件去控制主控芯片工作模式的切换,并确定主控芯片在工作周期中最省电和最耗电的两种极限模式;

2、主控工作频率

主控的工作频率越高干活(计算)的越快但是同时功耗也会变高,有些产品实时性不是硬性,也不需要将主控的主频控制在最高频率运行,对于频率的设置可以做成动态调整的模式,也可以将频率整体设置到一个比较低的低频这样在软件上更易处理;

3、外部器件工作模式

在选型阶段已经确定的具备低功耗的器件,器件在不同功耗模式下具备的功能不同,当我们在芯片高功耗模式下获取/操作芯片后,可以将芯片置为低功耗模式;
对于可以直接通过IO控制掉电的器件,在操作芯片读写数据后,将其断电;

4、IO状态

现在许多MCU的IO模式可以通过寄存器复用为多种模式,如I2C、模式输入、GPIO、上拉输入等等,当不需要IO去操作所接器件后,可以将IO置为几种模式中最省电的模式;
比如有两个脚被复用为I2C用于和I2C协议的芯片进行数据交互,当我们对芯片操作后,将IO置为最省电的模式,下次再次控制芯片时复用为I2C即可;

5、系统的唤醒手段

低功耗的产品的软件逻辑整体上是从低功耗模式到高功耗模式进行往复切换的,触发高低模式切换的事件可以称为唤醒手段,它可能是一个用户可以按的按键,也可能是在极低功耗模式下可以运行的定时器,低功耗设计要要根据产品的应用场景设计好稳定好用的唤醒手段,防止系统直接睡死无法唤醒;

  • 4
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值