3. 机器视觉基础与Ryzen Embedded适配
机器视觉系统在工业现场承担的是“用图像替代人眼、用算法替代判断”的任务。它并不是单一算法，而是一条从光子到决策的完整链路：镜头把场景成像到传感器，传感器把光强转成数字像素，处理器对像素做预处理与特征提取，再交给检测或识别模型输出类别、位置或测量值，最后由上层控制逻辑决定放行、剔除或报警。理解这条链路，才能理解 Ryzen Embedded 在其中的位置——它不是“跑一个模型”的芯片，而是承载整条流水线、并决定实时性与吞吐量的计算底座。
一、从图像采集到识别的基本流程
采集阶段的核心是把物理世界稳定地映射为数字图像。关键参数包括分辨率、帧率、曝光时间、增益与触发方式。以一条典型产线检测为例：被测工件尺寸约 80 mm × 60 mm，要求检测 0.1 mm 级缺陷，若选用 500 万像素（2592 × 1944）面阵相机、视场约 100 mm × 75 mm，则单像素对应约 0.0386 mm，满足 0.1 mm 缺陷至少覆盖 2～3 个像素的采样要求。曝光时间需与运动速度匹配：若工件以 200 mm/s 运动，曝光 200 μs 内位移约 0.04 mm，小于一个像素，运动模糊可接受。触发方式上，编码器或光电开关给出硬触发，可保证图像与工件位置一一对应，避免自由运行带来的相位漂移。
预处理的目标是“让后续算法看到更干净、更一致的图像”，常见操作包括去噪、灰度化、对比度增强、二值化、形态学开闭运算、ROI 裁剪与几何校正。工程上要避免过度处理：例如高斯滤波核过大虽能压噪，但会削弱细小缺陷边缘；自适应阈值在光照不均时比全局阈值更稳，但计算量更高。ROI 裁剪是最直接的加速手段——若只关心图像中央 1/4 区域，后续所有算子只在该区域计算，数据量直接降为 1/4。
特征提取把图像转为可判别的数值描述。传统方法包括边缘、角点、斑点、HOG、LBP 与轮廓几何量（面积、周长、圆度、最小外接矩形）。深度学习方法则由卷积网络自动学习特征。二者并非互斥：在定位与尺寸测量中，传统特征往往更快更可解释；在复杂缺陷分类中，CNN 更具泛化能力。目标检测与识别阶段输出边界框、类别与置信度，常见模型有 YOLO 系列、SSD、Faster R-CNN，识别则可用分类网络或 OCR。判断结果是否可用，通常看置信度阈值、IoU 与连续多帧一致性，而不是单帧结果。
二、Ryzen Embedded 在链路中的角色
Ryzen Embedded 是一类集成 CPU、Radeon GPU、内存控制器与丰富 IO 的嵌入式处理器，典型型号如 V1000、V2000、R2000 系列，TDP 覆盖 6～54 W。它在机器视觉链路中承担三个层面的角色。
第一是数据汇聚与调度中心。相机通过 MIPI CSI、USB3 Vision 或 GigE Vision 接入，Ryzen Embedded 的 PCIe、USB 与千兆网控制器负责接收图像流，CPU 负责触发同步、多相机时序与任务调度。对于多工位系统，CPU 需要保证各相机曝光与产线节拍对齐，避免图像错位。
第二是异构计算执行体。预处理中的滤波、缩放、色彩转换等规则并行操作适合放在 Radeon GPU 上以 OpenCL 或 ROCm 执行；传统特征提取与逻辑判断通常留在 CPU，因为分支多、数据依赖强；CNN 推理则优先使用 GPU，借助 MIOpen、ONNX Runtime 或 OpenVINO 等运行时把模型映射到 GPU。Ryzen Embedded 的统一内存架构让 CPU 与 GPU 共享同一物理内存，减少了传统独显方案中“主机内存—显存”的反复拷贝，对 1080p 级图像的端到端延迟改善明显。
第三是实时性与功耗的平衡点。产线节拍往往要求 20～50 ms 内完成一帧处理。若单帧预算 25 ms，采集约 5 ms、预处理约 3 ms、特征约 4 ms、推理约 12 ms、输出约 1 ms，则总余量约 0 ms，说明必须做优化：降低分辨率、缩小 ROI、量化模型或减少后处理。Ryzen Embedded 的优势在于可在 15～25 W 级别维持多核 CPU 与 GPU 同时工作，适合无风扇或小体积工控机箱。
三、适配时的关键工程判断
把算法落到 Ryzen Embedded 上，需要关注四件事。其一是接口带宽：GigE 相机单口约 1 Gbps，对应 1080p@30fps 的未压缩流已接近上限，多相机需用多网口或万兆；USB3 Vision 单口约 5 Gbps，但多设备共享控制器时带宽会下降。其二是内存带宽与容量：GPU 推理与 CPU 预处理同时访问内存，双通道 DDR4-3200 比单通道更适合；建议至少 8 GB，多相机或高分辨率场景 16 GB。其三是软件栈：Linux 下可用 V4L2 采集、OpenCV 预处理、ONNX Runtime 推理；Windows 下可用 DirectShow/GenICam 与 DirectML。其四是散热与功耗策略：持续满载时需确认 TDP 配置与散热能力，避免降频导致节拍抖动。
下面给出一份可直接参考的适配检查表，用于在选型或调试阶段逐项确认。
| 检查项 | 示例目标值 | 判断依据 |
|---|---|---|
| 相机接口与带宽 | GigE 单口 ≤ 900 Mbps | 1080p@30fps 未压缩约 1.5 Gbps，需压缩或降帧 |
| 内存容量与通道 | ≥ 8 GB，双通道 | CPU 预处理与 GPU 推理并发时避免换页 |
| 推理运行时 | ONNX Runtime + ROCm/DirectML | 确认模型算子被 GPU 支持，否则回退 CPU |
| 单帧延迟预算 | ≤ 25 ms | 采集+预处理+特征+推理+输出逐段计时 |
| 持续功耗与散热 | TDP 15～25 W，温度 < 85℃ | 满载 30 分钟无降频、无节拍抖动 |
需要强调的是，Ryzen Embedded 并不会自动让视觉算法变快。它的价值在于把采集、预处理、特征与推理放在同一颗芯片内，用 CPU 的通用性与 GPU 的并行性覆盖整条链路，并通过统一内存降低数据搬运开销。真正决定系统能否落地的，仍是分辨率、ROI、模型规模与节拍预算之间的匹配关系。理解这条链路和每个环节的量化约束，才能在 Ryzen Embedded 上做出稳定、可复现的机器视觉方案。