RK3588, 5-6W'da INT8 çıkarımını gerçekleştiren 6 TOPS NPU ile 54+ FPS'de YOLOv5'leri ve cihaz üzerinde 58 FPS'de hafif algılama transformatörlerini çalıştıran endüstriyel makine görüşü ve kusur tespiti için kanıtlanmış bir platformdur. Maliyet, güç ve form faktörünün önemli olduğu tek hatlı AOI, çoklu kamera denetim düğümleri ve gömülü akıllı kamera uygulamalarına uyar. Mikron altı yarı iletken metrolojisi veya 32 kameralı eşzamanlı akışlar için özel bir hızlandırıcı daha iyi bir yoldur.
Önemli Çıkarımlar
- Küresel yapay görme pazarı 2025 yılında 15,83 milyar ABD dolarına ulaştı ve 2030 yılına kadar 8,3% YBBO ile büyümesi bekleniyor - endüstriyel hata tespiti büyümenin ana itici gücü (MarketsandMarkets)
- RK3588, rulman kusur tespitini 58,1 FPS 96,2% mAP@50'de hafif bir DETR modeli kullanarak cihaz üzerinde (Annals of New York Academy of Sciences, 2025)
- 6 TOPS NPU, RKNN-Toolkit2 aracılığıyla YOLOv5, YOLOv8, MobileNet, ResNet ve özel CNN mimarilerini destekler - özel bir yapay zeka çerçevesi gerekmez
- Bitti 41% yeni görüş sistemi dağıtımları 2025'te gecikme, gizlilik ve bant genişliği gereksinimleri tarafından yönlendirilen uç yapay zeka yeteneklerini içerir (Global Growth Insights)
- RK3588 yapay görme dağıtımları 5-13W tüketir - GPU tabanlı alternatifler için 10-30W'a kıyasla - kapalı endüstriyel muhafazalarda pasif soğutma sağlar
- Derin öğrenme tabanlı kusur tespiti tutar 56% pazar payı 2025 yılında RK3588 gibi CNN/dönüştürücü uyumlu uç platformları varsayılan mimari tercihi haline getirecektir (Future Market Insights)
Yapay Görme Neden Uç Noktaya Taşınıyor - ve RK3588 Neden Uygun?
Yapay görme uzun zamandır sunucuya bağımlı bir teknoloji olmuştur. Kameralar görüntüleri yakalar; bir PC veya raf sunucusu bunları işler; sonuçlar Ethernet veya Fieldbus üzerinden geri gelir. Bu model, üretim hatlarının düşük hızlarda çalıştığı, görüntülerin düşük çözünürlüklü olduğu ve gecikme toleransının saniyelerle ölçüldüğü zamanlarda işe yarıyordu.
Modern üretim her üç varsayımı da yıkıyor. Yüksek hızlı SMT hatları saatte 50.000 bileşen üretmektedir. EV pil hücresi denetimi, saniyede 2 metreyi aşan konveyör hızlarında milimetrenin altında kusur tespiti gerektirir. Gıda paketleme hatları kontaminasyon konusunda sıfır yanlış negatife tolerans gösterir. Her kareyi merkezi bir sunucuya göndermek - gerçek zamanlı zamanlama kısıtlamaları olan bir fabrika ağı üzerinden - artık en zorlu uygulamalar için uygun değildir.
Göre MarketsandMarketsküresel yapay görme pazarı 2025 yılında 15,83 milyar ABD dolarından 2030 yılına kadar 8,3% YBBO ile 23,63 milyar ABD dolarına ulaşacaktır. En hızlı büyüyen dağıtım modeli, ağ gecikmesini ve merkezi sunucu darboğazlarını ortadan kaldırarak görüntüleri elde etme noktasında işleyen akıllı kameralar ve gömülü SBC'ler olan gömülü ve uç tabanlıdır.
RK3588 bu değişimi doğrudan ele alıyor. 6 TOPS NPU, 32MP'ye kadar kameraları destekleyen çift ISP, donanım H.265 kodlama ve endüstriyel I/O arayüzleri, onu gömülü makine görüşü için yetenekli bir platform haline getirir - uzlaşmacı bir çözüm değil, uç denetim kullanım durumu için amaca uygun bir mimari.
RK3588 Donanımı Yapay Görme İş Yüklerini Nasıl Destekler?
RK3588'in yapay görme alanında üstün olduğu noktaları anlamak için NPU özelliklerinin ötesine geçerek endüstriyel denetimin gerçekte kullandığı SoC özellik setinin tamamına bakmak gerekir.
Görüntü Alma: ISP ve Kamera Arayüzü
RK3588, 32MP'ye kadar sensörleri işleyebilen bir çift ISP (Görüntü Sinyali İşlemcisi) içerir. Bu bir pazarlama dipnotu değildir - makine görüşünde ISP kalitesi kusur tespit doğruluğunu doğrudan etkiler. ISP, gürültü azaltma, lens gölgeleme düzeltme, otomatik beyaz dengesi ve HDR ton eşleme işlemlerini donanımda gerçekleştirerek hesaplama açısından pahalı olan bu işlemleri CPU ve NPU'dan kurtarır.
RK3588'de kamera bağlantı seçenekleri:
| Arayüz | Max Lanes | Tipik Kullanım |
|---|---|---|
| MIPI CSI-2 | 4×4 şeritli | Alan tarama kameraları, GigE sınıfı sensörler |
| USB 3.0 | 2 bağlantı noktası | USB3 Vision kameralar, endüstriyel USB kameralar |
| HDMI girişi | 1 bağlantı noktası | Yakalama kartları, analogdan dijitale giriş |
| PCIe 3.0 | 1×4 veya 2×2 | CoaXPress / Camera Link çerçeve yakalayıcılar |
Çoğu gömülü yapay görme uygulaması için MIPI CSI-2 birincil yoldur. 4 şeritli MIPI bağlantısı, 4K@60 fps'ye kadar ham görüntü aktarımını destekler ve çoğu inline AOI ve yüzey denetimi görevi için yeterlidir.
NPU: Çıkarım Motoru
6 TOPS NPU, RK3588'in yapay görme kapasitesinin çekirdeğidir. CNN ve transformatör tabanlı modeller için INT4, INT8 ve INT16 nicelemeyi destekler ve hassasiyete duyarlı katmanlar için FP16 kullanılabilir. Yapay görmede, INT8 niceleme standart dağıtım modudur ve 4-8 kat verim artışı ile FP32'ye yakın doğruluk sunar.
TinyComputers.io'dan gerçek dünya kıyaslamaları ResNet18'in RK3588 NPU üzerinde 4,09 ms gecikme ile 244 FPS'de çalıştığını göstermektedir. ResNet mimarilerini kullanan kusur sınıflandırma görevleri için bu, çerçeve düşmesi olmadan yüksek hızlı konveyör uygulamalarını idare eden denetim verimi anlamına gelir.
CPU ve Bellek Bant Genişliği
Cortex-A76 çekirdekleri, NPU'ya verimli bir şekilde eşlenmeyen işlem öncesi ve sonrası görevleri yerine getirir: görüntü kod çözme, maksimum olmayan bastırma (NMS), sonuç paketleme ve PLC veya SCADA sistemleriyle iletişim. A76'nın öncekilere göre geliştirilmiş tek iş parçacıklı performansı (Cortex-A72'ye kıyasla yaklaşık 2,5-3 kat) bu sıralı ön işleme işlemleri için anlamlıdır.
64 bit veri yoluna sahip LPDDR4X bellek, alt uç gömülü platformlarda yaygın bir arıza modu olan bellek darboğazları olmadan eşzamanlı kamera yakalama, NPU çıkarım işlem hattı ve sonuç çıktısını sürdürmek için gereken bant genişliğini sağlar.
RK3588 Yapay Görme Performansı: Gerçek Benchmark Verileri
Ham teknik özellikler, gerçek denetim görevlerinde ölçülen sonuçlardan daha az önemlidir. İşte yayınlanmış araştırma ve uygulama verilerinin gösterdiği şey.
Kusur Tespit Ölçütleri
Annals of the New York Academy of Sciences dergisinde yayımlanan 2025 tarihli bir çalışma RK3588 platformunda rulman yüzeyi kusur tespiti için optimize edilmiş SMF-DETR tespit transformatörünü kıyasladı:
| Metrik | Değer |
|---|---|
| mAP@50 | 96.2% |
| Doğruluk | 98.1% |
| RK3588 üzerinde FPS | 58,1 FPS |
| Masaüstü GPU'da FPS | 97,3 FPS |
| Model boyutunun başlangıç seviyesine göre küçültülmesi | 37.1% |
| Hesaplama maliyetinin azaltılması | 57.7% |
96,2% mAP'de 10 W'ın altında tüketen gömülü bir kartta 58 FPS - bu, gerçekçi konveyör hızlarında rulman denetimi için üretimde uygulanabilir bir performanstır.
Scientific Reports (2025) dergisinde yayınlanan ayrı bir çalışma özel bir dikkat mekanizmasına sahip MobileNetV3 tabanlı bir mimari kullanarak RK3588 üzerinde bir tel halat kusur tespit sistemi kurdu. Araştırmacılar RK3588'i Jetson Nano yerine özellikle aynı güç zarfında ve maliyet noktasında daha yüksek hesaplama yoğunluğu için seçtiler ve sunucuya bağlı sistemlerin tamamlamak için 20-30 dakika gerektirdiği gerçek zamanlı algılama performansına ulaştılar.
Vision İş Yükü Performans Tablosu
| Model | Görev | Hassasiyet | Gecikme | FPS |
|---|---|---|---|---|
| ResNet18 | Sınıflandırma | INT8 | 4.09ms | 244 |
| YOLOv5s | Nesne algılama | INT8 | ~18ms | ~54 |
| YOLOv8n | Nesne algılama | INT8 | ~15ms | ~65 |
| MobileNetV2 | Özellik çıkarma | INT8 | ~5ms | ~200 |
| SMF-DETR (rulman) | Kusur tespiti | INT8 | ~17ms | 58.1 |
| MobileNetV3 (tel halat) | Kusur tespiti | INT8 | ~20ms | ~50 |
Kaynaklar: TinyComputers.io kıyaslamaları; Annals of New York Academy of Sciences (2025); Scientific Reports (2025)
RK3588 Üzerinde Yapay Görme Sistemi Mimarisi
RK3588 üzerinde eksiksiz bir gömülü yapay görme sistemi sadece kameralı bir kart değildir. Mimari, görüntü alma, ön işleme, çıkarım, sonuç işleme ve fabrika sistemleriyle iletişimi kapsar.
Inline AOI için Önerilen Yığın
┌────────────────────────────────────┐
Kamera Katmanı │
│ MIPI CSI-2 alan tarama kamerası (2-12MP) │
│ Strobe-senkronize LED halka ışık │
└──────────────┬─────────────────────┘
│ Ham Bayer / YUV
┌─────────────▼──────────────────────┐
│ ISP Katmanı (Donanım) │
│ Gürültü azaltma, lens gölgeleme düzeltme │
Demosaicing, beyaz dengesi, HDR │
└──────────────┬─────────────────────┘
│ İşlenmiş görüntü (RGB/YUV)
┌──────────────▼─────────────────────┐
│ Ön işleme (CPU / A76) │
Yeniden boyutlandırma, normalleştirme, ROI kırpma │
│ V4L2 + OpenCV aracılığıyla çok iş parçacıklı boru hattı │
└──────────────┬─────────────────────┘
│ Çıkarım yapmaya hazır tensör
┌──────────────▼─────────────────────┐
│ NPU Çıkarım Katmanı │
│ RKNN-Toolkit2 çalışma zamanı │
INT8 nicelleştirilmiş model (YOLOv8 / ResNet / DETR) │
Deterministik gecikme süresi için SCHED_FIFO önceliği │
└──────────────┬─────────────────────┘
│ Algılama sonuçları / sınırlayıcı kutular
┌──────────────▼─────────────────────┐
│ Son işlem (CPU) │
NMS, güven eşikleme, sınıf haritalama │
│ Kusur sınıflandırması ve koordinat eşlemesi │
└──────────────┬─────────────────────┘
│ Başarılı/Başarısız sinyali + kusur verileri
┌──────────────▼─────────────────────┐
│ Fabrika Entegrasyonu │
│ GPIO tetikleme çıkışı → reddetme aktüatörü │
│ Modbus TCP / OPC-UA → SCADA / MES │
│ MQTT → bulut veri toplama │
└────────────────────────────────────┘
Bu mimari tamamen tek bir RK3588 kartı üzerinde çalışır. Harici sunucu yok, ağ çıkarım çağrısı yok, kartın kendisi dışında tek bir arıza noktası yok.
Temel Yazılım Bileşenleri
V4L2 (Linux için Video 2): Linux'ta kamera yakalama için çekirdek çerçevesi. RK3588'in BSP'si, MIPI CSI kameralar için optimize edilmiş V4L2 sürücüleri içerir ve doğrudan çıkarım işlem hattına beslenen düşük gecikmeli kare geri aramalarını destekler.
RKNN-Toolkit2: Rockchip'in model dağıtım SDK'sı. INT8 niceleme kalibrasyonu ve cihaz üzerinde çıkarım için çalışma zamanı API'si ile TensorFlow, PyTorch (ONNX aracılığıyla), Caffe ve MXNet'ten RKNN formatına model dönüştürme işlemlerini gerçekleştirir.
OpenCV: Önişleme işlemleri için standart bilgisayarla görme kütüphanesi. RK3588 Debian/Ubuntu ortamlarında verimli bir şekilde çalışır.
GStreamer: Çoklu kamera boru hattı yönetimi, denetim videosunun donanım hızlandırmalı kodlaması ve birden fazla kaynaktan eşzamanlı yakalama için.
Desteklenen Hata Tespiti Kullanım Örnekleri
RK3588'in performans profili, belirli bir endüstriyel denetim uygulamaları grubuyla eşleşir. Nereye uyduğunu ve nereye uymadığını anlamak, haftalarca süren entegrasyon çabalarından tasarruf sağlar.
✅ Güçlü Uyum: Yüzey Kusur Tespiti
PCB lehim bağlantı denetimi, metal yüzey çizik tespiti, plastik enjeksiyon kalıplama yüzey kusurları, tekstil kumaş kusur sınıflandırması - bunların hepsi 2D görüntülerde CNN veya hafif transformatör modelleri kullanır, INT8 nicelemeye temiz bir şekilde eşlenir ve RK3588'in NPU kapasitesi dahilinde kare hızlarında çalışır.
ScienceDirect'te kapsamlı bir 2025 incelemesi PCB yüzey kusur tespiti üzerine yapılan 82 çalışmayı kapsayan Otomatik Optik Denetim (AOI) SMT üretiminde baskın yaklaşım olmaya devam ediyor - ve şu anda 56% pazar payına sahip olan derin öğrenme tabanlı yöntemler performans standardı. RK3588 bu modelleri üretimle ilgili hızlarda çalıştırır.
✅ Güçlü Uyum: Nesne Algılama ve Sayma
İlaç blister paketi denetimi (eksik haplar, kırık tabletler), gıda yabancı nesne tespiti, montaj hatlarında bileşen varlığı/yokluğu doğrulaması - hepsi INT8 hassasiyetindeki YOLOv5/v8 modellerinin RK3588'de 50-65 FPS sağladığı nesne algılama görevleridir ve dakikada birkaç yüz parçaya kadar çalışan hatlar için yeterlidir.
✅ Güçlü Uyum: Boyutsal Ölçüm (Vizyon Tabanlı)
Kalibre edilmiş kamera + kenar algılama algoritmaları (Canny, Hough dönüşümleri) kullanılarak bileşen boyutu doğrulaması, boşluk ölçümü ve hizalama kontrolü CPU çekirdeklerinde verimli bir şekilde çalışır ve NPU öğrenilen bileşen yerelleştirme adımını işler.
⚠️ Optimizasyon ile Çalışılabilir: Çok Kameralı Eşzamanlı Denetim
Tek bir RK3588 üzerinde 4-8 kamera denetim düğümüne dikkatli bir boru hattı tasarımıyla ulaşılabilir: kamera başına daha düşük çözünürlük (720P'ye karşı 4K), akış başına 15-20 FPS'ye kadar kare hızı azaltma ve zaman çoğullamalı NPU planlaması. Tam algılama hassasiyetinde 8 eşzamanlı akışın ötesinde, özel bir hızlandırıcı daha iyi bir mimaridir.
Doğru Uyum Değil: Mikron Altı Yarı İletken Metrolojisi
Wafer denetimi, nanometre ölçeğinde kalıp düzeyinde kusur lokalizasyonu ve yarı iletken kalite kontrolü için çoklu gigapiksel görüntü birleştirme, özel metroloji donanımı (Teledyne, KLA, Keyence üst düzey sistemleri) veya GPU sınıfı hesaplama gerektirir. RK3588 bu alanda yer almamaktadır.
RKNN-Toolkit2: Algılama Modelinizi RK3588'de Dağıtma
RK3588'de bir yapay görme modelini dağıtmak için pratik iş akışı üç aşamadan oluşur. Her bir aşamanın anlaşılması en yaygın entegrasyon sorunlarını önler.
Aşama 1: Model Eğitimi (İş İstasyonu)
Algılama veya sınıflandırma modelinizi PyTorch, TensorFlow veya tercih ettiğiniz çerçevede bir GPU iş istasyonunda eğitin. Yapay görme görevleri için kendini kanıtlamış mimarilerle başlayın: Algılama için YOLOv8n veya YOLOv8s, sınıflandırma için MobileNetV3 ve çok sınıflı inceleme için EfficientDet-lite. Özel mimariler işe yarar, ancak RKNN'nin NPU'su tarafından desteklenmeyen herhangi bir katman CPU yürütmesine geri dönecektir - alışılmadık yapı taşlarını taahhüt etmeden önce RKNN operatör destek listesini kontrol edin.
Aşama 2: Niceleme ve Dönüştürme (RKNN-Toolkit2, İş İstasyonu)
gelen rknn.api İthalat RKNN
rknn = RKNN(verbose=Doğru)
# Yük eğitimli ONNX modeli
rknn.load_onnx(model='./defect_detector.onnx')
# Nicemlemeyi yapılandırma
rknn.yapılandırma(mean_values=[[123.675, 116.28, 103.53]],
std_values=[[58.395, 57.12, 57.375]],
target_platform='rk3588')
INT8 niceleme ile # Oluşturma
rknn.inşa etmek(do_quantization=Doğru,
veri kümesi='./calibration_dataset.txt')
# İhracat RKNN modeli
rknn.export_rknn('./defect_detector.rknn')Kalibrasyon veri seti (kalibrasyon veri kümesi.txt 100-300 temsili görüntüyü referans alan dosya) niceleme kalitesindeki en önemli değişkendir. Sisteminizin karşılaşacağı tüm aydınlatma koşullarını, ürün çeşitlerini ve kusur türlerini kapsayan görüntüler kullanın. Çeşitliliği zayıf bir kalibrasyon seti, niceleme sonrası doğruluk düşüşlerinin en yaygın nedenidir.
Aşama 3: Cihaz Üzerinde Çıkarım (RK3588)
gelen rknnlite.api İthalat RKNNLite
rknn_lite = RKNNLite()
rknn_lite.load_rknn('./defect_detector.rknn')
rknn_lite.init_runtime(core_mask=RKNNLite.NPU_CORE_ALL)
# Çıkarım çalıştırın
çıkışlar = rknn_lite.çıkarım(girdiler=[preprocessed_image])Çıkarım iş parçacığını SCHED_FIFO Linux'ta zamanlama titremesini en aza indirmek için öncelik - denetim sisteminizin konveyör hızına bağlı sabit gecikme gereksinimleri olduğunda kritik öneme sahiptir.
Fabrika Katından: Kuantizasyon Doğruluğu Problemini Çözmek
ieeker'in gömülü sistemler mühendisliği ekibinden birinci şahıs anlatımı.
Bir PCB montaj hattı için hat içi lehim bağlantı denetim sistemi kuran bir müşteri bize çalışan bir PyTorch modeliyle geldi - 15.000 lehim bağlantı görüntüsü üzerinde eğitilmiş ve doğrulama setinde 94,2% doğruluk elde eden ResNet50 tabanlı bir sınıflandırıcı. Sorun: RKNN-Toolkit2 aracılığıyla INT8 niceleme işleminden sonra doğruluk 76,8%'ye düştü. Müşterinin kalite eşiği minimum 91% idi. 76.8%'de, iyi panolardaki yanlış reddetme oranı ekonomik olarak kabul edilemezdi - gereksiz reddetmelerden kaynaklanan hat durmaları, sistemin yakalaması gereken kusurlardan daha pahalıya mal oluyordu.
Sorunu iki kısımda teşhis ettik. İlk olarak, kalibrasyon veri kümesi 60 görüntüden oluşuyordu ve hepsi günün aynı saatinde aynı aydınlatma düzeneği altında çekilmişti. Üretim hattında farklı denetim istasyonlarında üç farklı LED aydınlatma yoğunluğu vardı ve kalibrasyon görüntüleri bu varyasyonu temsil etmiyordu. İkinci olarak, ResNet50'nin son iki tam bağlı katmanı, ağırlık dağılımları alışılmadık derecede geniş olduğu için önemli niceleme hatası biriktiriyordu - INT8'in mücadele ettiği bir özellik.
Düzeltme iki değişiklik içeriyordu. Kalibrasyon veri setini, her üç aydınlatma koşulunu eşit oranda örnekleyen 280 görüntüye ve orijinal kalibrasyon setinin yetersiz temsil ettiği sınırda kusurlu vakalardan oluşan 40 görüntüye genişlettik. Ayrıca karışık hassasiyetli niceleme uyguladık: INT8'de ilk 48 katman, FP16'da son iki FC katmanı. RKNN-Toolkit2, özellikle bu senaryo için katman başına hassasiyet geçersiz kılmalarını desteklemektedir.
Model yeniden oluşturulduktan sonra, doğrulama setindeki doğruluk 91,7%'ye yükseldi. Cihaz içi gecikme süresi kare başına 31 ms idi - müşterinin konveyör hızı için belirlediği 40 ms'lik bütçe dahilinde. Sistem, teşhis çağrısından altı gün sonra üretim pilotuna geçti. Üç aylık operasyonda hatalı reddetme oranı 0,4% olarak gerçekleşti ve müşterinin kabul edilebilir 0,5% eşiği içinde kaldı.
Çıkarılacak ders: INT8 niceleme doğruluğu modelinizin sabit bir özelliği değildir. Kalibrasyon veri kalitesinin ve katman başına hassasiyet kararlarının bir fonksiyonudur. Her ikisi de kontrol edilebilir ve her ikisinin de doğru olması için denetim ortamınız hakkında alan bilgisi gerekir.
Proje Vaka Çalışması: Otomotiv Damgalama Parçası Yüzey Kontrolü
RK3588 gömülü görüntü dağıtımı, 6 kameralı denetim istasyonu, otomotiv Tier 1 tedarikçisi.
2025 yılının başlarında, bir otomotiv Tier 1 tedarikçisi, bir presleme hattındaki PC tabanlı denetim istasyonunu gömülü bir çözümle değiştirmek için bizimle sözleşme yaptı. Mevcut sistemde Windows çalıştıran bir masaüstü bilgisayar ve bir yapay görme tedarikçisinin tescilli denetim yazılımına sahip bir USB3 Vision kamera kullanılıyordu. Sorunlar: PC üç ayda bir bakım gerektiriyordu, Windows işletim sistemi sistem güncellemeleri sırasında öngörülemeyen gecikme artışlarına neden oluyordu ve istasyon başına toplam sistem maliyeti 12 ek pres hattına ölçeklendirme için engelleyiciydi.
Değiştirme şartnamesi, 0,3 mm'den daha geniş çatlaklarda sıfır yanlış negatif ve 2%'nin altında bir yanlış pozitif oranla, damgalı çelik braketlerdeki yüzey çiziklerinin, deformasyon izlerinin ve yağ kirliliğinin dakikada 30 parçada tespit edilmesini gerektiriyordu.
Değiştirme sistemini, 5MP MIPI alan tarama kamerası, GPIO aracılığıyla flaş senkronizasyonlu yapılandırılmış LED halka ışığı ve özel bir YOLOv8s tabanlı algılama modeli çalıştıran bir Debian Linux ortamı ile bir ieeker RK3588 endüstriyel SBC üzerine kurduk. Model, üç kusur türünün yanı sıra temiz yüzey negatiflerini de kapsayan, damgalı braket yüzeylerinin 8.200 etiketli görüntüsü üzerinde eğitilmiştir.
60 günlük üretim doğrulamasının ardından elde edilen önemli sonuçlar:
| Metrik | Hedef | Başarıldı |
|---|---|---|
| Çatlak tespit oranı (≥0,3 mm) | 100% | 100% |
| Çizik tespit oranı | >95% | 97.3% |
| Yanlış pozitif oranı | <2% | 1.1% |
| Denetim döngü süresi | <2s/parça | 1.4s/parça |
| Sistem güç çekişi | <25W | 11.8W |
| Planlanmamış kesinti süresi (60 gün) | <4 saat | 0 saat |
| BOM maliyeti vs PC tabanlı sistem | - | 67% azaltma |
67% BOM maliyetindeki azalma, müşterinin 13 pres hattının tamamına ölçeklendirme kararını vermesini sağlayan rakamdı. Toplam proje: Hepsi SWUpdate aracılığıyla OTA güncelleme özelliğine sahip aynı Buildroot görüntülerini çalıştıran 13 ünite sevk edildi. Müşterinin bakım ekibi, her bir istasyona fiziksel erişim olmadan filo genelinde denetim modellerini güncelleyebiliyor.
RK3588 vs Yapay Görme için Rakip Platformlar
| Platform | Yapay Zeka Performansı | Görüşe Özel Özellikler | Güç | Maliyet | En İyi Uyum |
|---|---|---|---|---|---|
| RK3588 | 6 TOPS NPU | Çift ISP, 32MP, MIPI×4 | 5-13W | $$ | Gömülü AOI, akıllı kamera, çoklu kamera düğümü |
| Jetson Orin Nano | 40 TOPS | Tek ISP, CSI×2 | 7-15W | $$$$ | Karmaşık modeller, CUDA ekosistemi |
| Hailo-8 | 26 TOPS | ISP yok (ana bilgisayar SoC'sine ihtiyaç duyar) | 2.5-3W | $$$$ | Yüksek verimli görüntü hızlandırıcı eklentisi |
| NXP i.MX 8M Plus | 2.3 TOPS | Çift ISP, MIPI×2 | 3-5W | $$ | Düşük karmaşıklıkta IoT denetimi |
| Raspberry Pi 5 | NPU yok | Tek CSI | 5-8W | $ | Yalnızca geliştirme/prototipleme |
Özellikle makine görüşü için, RK3588'in çift ISP'si ve 4×4 şeritli MIPI bağlantısı, daha güçlü yapay zeka işlemine sahip ancak daha zayıf yerel kamera arayüzleri olan Jetson Orin Nano gibi platformlara göre yapısal bir avantaj sağlar. Denetim sisteminizin ham kamera verilerini yüksek çözünürlükte işlemesi gerektiğinde, ISP de NPU kadar önemlidir.
Cognex Corporation ve Keyence Corporation - dünyanın en büyük iki yapay görme tedarikçisi - her ikisi de işlemeyi kamera kafasına yerleştiren entegre akıllı kamera çözümleri üretiyor. RK3588 tabanlı gömülü tasarımlar aynı mimari felsefeyi takip eder ancak endüstriyel donanım üreticilerine, kullanıma hazır akıllı kameraların barındıramayacağı özel sensörleri, muhafazaları ve I/O arayüzlerini entegre etme esnekliği sağlar.
RK3588 Yapay Görme Uygulamanız İçin Doğru Platform mu?
Platforma bağlanmadan önce bu kontrol listesini kullanın:
RK3588 aşağıdaki durumlarda güçlü bir uyum sağlar:
- ✅ Denetim göreviniz CNN veya hafif dönüştürücü modelleri kullanır (YOLOv5/v8, ResNet, MobileNet, DETR varyantları)
- ✅ Tek bir ünitede tek kartlı görüntü alma + çıkarım + I/O'ya ihtiyacınız var
- ✅ Kameranız MIPI CSI-2 veya USB3 Vision arayüzü kullanıyor
- ✅ Güç bütçesi 15W'ın altında veya pasif soğutma gerekli
- ✅ Kontrollü ürün ağacı maliyeti ile birden fazla özdeş birime ölçeklendirmeniz gerekir
- ✅ Ekibiniz Linux üzerinde Python/C++ ile çalışıyor
- ✅ Denetim gecikme gereksinimi kare başına 15 ms veya üzeridir
Aşağıdaki durumlarda alternatifleri değerlendirin:
- ⚠️ Tam çözünürlükte 12'den fazla kamera akışında eşzamanlı çıkarıma ihtiyacınız var
- ⚠️ Modeliniz çok sayıda desteklenmeyen NPU operatörüne sahip mimariler kullanıyor (dikkat ağırlıklı dönüştürücüler)
- ⚠️ Zor gerçek zamanlı kontrol döngüleri için 10 ms'nin altında deterministik çıkarıma ihtiyacınız var
- ❌ Mikron altı metroloji veya yarı iletken wafer denetimi
- ❌ Gerçek zamanlı 3B nokta bulutu işleme (LiDAR füzyonu)
- ❌ Model karmaşıklığı baştan sona FP32 gerektirir (niceleme toleransı yok)
Yapay Görme Dağıtımları için IEEKER RK3588 Kartları
IEEKER'in RK3588 endüstriyel SBC'leri, BSP desteği de dahil olmak üzere yapay görme dağıtımları için önceden onaylanmıştır:
- Optimize edilmiş V4L2 MIPI CSI-2 kamera sürücüleri (Sony IMX415, IMX577, OV13850 sensörlerle test edilmiştir)
- Debian 12 ve Ubuntu 22.04 imajlarına önceden yüklenmiş RKNN-Toolkit2 çalışma zamanı
- LED halka ışık kontrolü için GPIO strobe senkronizasyon arayüzü
- Fabrika sistem bağlantısı için Modbus TCP ve OPC-UA kütüphane entegrasyon kılavuzları
- CPU ek yükü olmadan denetim video arşivleme için donanım H.265 kodlaması
Özel yapay görme sistemi tasarımları için - sensör seçimi, muhafaza entegrasyonu, belirli kamera arayüzleri için özel taşıyıcı kart düzeni - özel geli̇şti̇rme karti tasarim hi̇zmeti̇ uçtan uca donanım ve BSP getirmeyi kapsar.
RK3588'i belirli bir denetim uygulaması için değerlendiriyorsanız RK3588 NPU performans kılavuzu ayrıntılı kıyaslama verileri ve model uyumluluğu bilgileri için veya mühendi̇sli̇k eki̇bi̇mi̇zle i̇leti̇şi̇me geçi̇n kullanım durumunuzu görüşmek için.
SSS
RK3588 sürekli web denetimi için çizgi tarama kameralarını kullanabilir mi?
Çizgi tarama kameraları genellikle PCIe üzerinden bağlanan çerçeve yakalayıcılar gerektiren Camera Link veya CoaXPress arayüzlerini kullanır. RK3588'in PCIe 3.0 arayüzü uyumlu çerçeve yakalayıcıları barındırabilir, ancak belirli çerçeve yakalayıcı kartlar için BSP desteği doğrulama gerektirir. Web denetim uygulamaları (film, kumaş, kağıt) için, taahhütte bulunmadan önce arayüz uyumluluğunu görüşmek üzere bizimle iletişime geçin.
RK3588'in denetim için işleyebileceği maksimum görüntü çözünürlüğü nedir?
ISP 32MP'ye kadar sensörleri destekler. Pratik denetim çözünürlüğü NPU çıkarım gereksinimine bağlıdır: 4K'da (8MP), ISP işlenmiş kareleri NPU işlem hattına 60 fps'de sunabilir. 12MP'de kare hızı düşer ancak sürekli olmayan denetim döngüleri için tek kare gecikmesi yönetilebilir.
RKNN-Toolkit2 anomali tespit modellerini destekliyor mu (sadece denetimli tespit değil)?
Evet. Özellik çıkarmaya dayalı denetimsiz anomali tespit yaklaşımları (PatchCore, FastFlow), özellik çıkarıcı omurgasını (ResNet, EfficientNet) NPU'da ve anomali puanlama adımını CPU'da çalıştırarak RK3588'e dağıtılabilir. Tam uçtan uca denetimsiz model dağıtımı standart algılamadan daha karmaşıktır ancak özel RKNN operatör uygulaması ile mümkündür.
RK3588, kapalı endüstriyel muhafazalarda sıcaklık stabilitesini nasıl sağlar?
RK3588, NPU yükü altında 5-13W tipik güç çekişi ile 8nm işleminde üretilmiştir. SoC ve muhafaza duvarı arasında termal arayüz malzemesi bulunan, uygun şekilde tasarlanmış alüminyum pasif bir muhafazada, 55°C'ye kadar ortam sıcaklıklarında kısılma olmadan sürekli çalışma sağlanabilir. ieeker'in endüstriyel SBC tasarımları bu termal profil için onaylanmıştır.
Sonuç
Makine görüşünün PC tabanlı merkezi işlemeden gömülü uç dağıtımına geçişi hızlanıyor. Yapay zeka endüstriyel hata tespit pazarının 2025'te 2,66 milyar ABD dolarından 2030'a kadar 4,02 milyar ABD dolarına yükseleceği tahmin edilmektedirderin öğrenme tabanlı yaklaşımlar baskındır. Bu sistemlere güç veren gömülü bilgi işlem platformunu inşa eden veya tedarik eden üreticiler için RK3588 iyi tanımlanmış ve savunulabilir bir konuma sahiptir: üretim sınıfı denetim görevleri için yeterli NPU performansı, ISP ve endüstriyel I/O dahil olmak üzere tam SoC entegrasyonu ve filo ölçeğinde dağıtımı ekonomik olarak rasyonel hale getiren bir güç / maliyet profili.
Platform her denetim problemi için bir çözüm değildir. Mikron altı metroloji, 16'dan fazla eşzamanlı kamera akışı ve zor gerçek zamanlı kontrol döngülerinin tümü farklı mimariler gerektirir. Ancak endüstriyel makine görüşünün geniş orta bandı için - yüzey denetimi, bileşen algılama, AOI, boyutsal doğrulama - RK3588 ciddi mühendislik değerlendirmesine değer bir platformdur.
ieeker's'i keşfedin RK3588 gömülü SBC serisi veya bizim okuyun eksiksiz gömülü Linux kart kılavuzu daha geniş platform bağlamı için.
Kaynaklar ve Referanslar:
- Yapay Görme Pazar Büyüklüğü ve Payı 2025-2030 - MarketsandMarkets
- Yapay Zeka Endüstriyel Hata Tespit Pazarı 2025-2035 - Future Market Insights
- SMF-DETR: RK3588'de Rulman Kusuru Tespiti - Annals of New York Academy of Sciences (2025)
- RK3588'de Gerçek Zamanlı Tel Halat Tespiti - Scientific Reports (2025)
- PCB Yüzey Kusur Tespiti İncelemesi - ScienceDirect (2025)
- RK3588 NPU Benchmarkları - TinyComputers.io (2025)
- Endüstriyel Yapay Görme Pazarı 2025 - Küresel Büyüme Öngörüleri
- Otomatik Optik Muayene - Vikipedi
- RKNN-Toolkit2 - Rockchip GitHub
