2、低功耗视觉系统概述：典型架构、功耗预算与电池寿命估算方法
低功耗视觉系统是TinyML落地于电池供电设备的核心形态。与云端视觉或边缘AI盒子不同，这类系统必须在毫瓦级甚至微瓦级功耗预算内完成图像采集、特征提取、推理决策与无线传输。理解其典型架构、功耗构成与电池寿命估算方法，是进行后续分辨率选择、间歇拍照策略和模型轻量化设计的前提。本节将系统拆解低功耗视觉系统的硬件链路、功耗模型与工程估算方法。
2.1 典型硬件架构与模块划分
低功耗视觉系统的硬件架构围绕“感知-计算-通信”三条主线展开，同时必须考虑电源管理与时钟策略。一个典型的节点由以下核心模块构成：
- 图像传感器（Image Sensor）：通常选用低功耗CMOS传感器，如OV2640、OV7670、HM01B0等。关键参数包括分辨率（QVGA~VGA）、帧率（0.5~30fps）、功耗（工作模式15~80mW， standby模式可低至µW级）以及输出接口（DVP并行或MIPI CSI）。
- 主控MCU（Microcontroller Unit）：承担图像采集控制、预处理、TinyML推理和通信协议栈。常见选择包括STM32L4系列（Cortex-M4F）、STM32U5（Cortex-M33）、ESP32-S3（Xtensa LX7）或国产GD32、APM32等。MCU的功耗在活跃模式（Active）下通常为5~50mW，在深度睡眠（Deep Sleep）下可降至1~10µW。
- 无线通信模块：根据应用场景选择BLE（蓝牙低功耗）、LoRa、NB-IoT或Wi-Fi。BLE适合短距离、低速率；LoRa适合远距离、超低速率；Wi-Fi适合高数据量但功耗较高。无线模块的峰值功耗（TX/RX）通常为50~200mW，但可以通过占空比控制大幅降低平均功耗。
- 电源管理单元（PMU）：包括DC-DC转换器、LDO稳压器、负载开关和电池电量监测。PMU的静态电流（Iq）是待机功耗的关键，应选择Iq低于5µA的器件。
- 存储与接口：外部Flash（用于存储模型参数和图像缓存）、SD卡接口（可选）、调试接口（SWD/UART）以及GPIO扩展。
2.2 功耗预算的构成与计算方法
功耗预算是低功耗视觉系统设计中最关键的量化环节。它决定了电池容量、充电周期以及系统能否满足长期无人值守的需求。功耗预算的建立需要区分稳态功耗和瞬态功耗，并采用“时间加权平均”的方法计算。
2.2.1 功耗状态划分
一个典型的低功耗视觉节点在一个工作周期内会经历以下状态：
- 深度睡眠（Deep Sleep）：MCU停止时钟，仅保留RTC和唤醒源，电流通常为1~10µA。
- 传感器启动与拍照（Capture）：传感器上电、曝光、读出数据，持续50~200ms，电流为10~30mA。
- 数据预处理与推理（Process & Inference）：MCU活跃运行，执行图像缩放、归一化、TinyML推理，持续20~100ms，电流为5~20mA。
- 无线传输（TX/RX）：打包数据并通过BLE/LoRa发送，持续10~50ms，电流为20~80mA。
- 回到深度睡眠：完成一轮工作后立即进入低功耗状态。
2.2.2 平均功耗计算公式
平均功耗（P_avg）的计算公式为：
P_avg = (V × I_sleep × T_sleep + V × I_capture × T_capture + V × I_process × T_process + V × I_tx × T_tx) / T_period其中，T_period是完整工作周期的时间（例如，每60秒拍照一次，则T_period=60s）。为了简化，通常使用“电荷量”法（mAh）进行估算：
Q_total = I_sleep × T_sleep + I_capture × T_capture + I_process × T_process + I_tx × T_tx然后计算平均电流：I_avg = Q_total / T_period。电池寿命（小时） = 电池容量（mAh） / I_avg（mA）。
| 工作状态 | 典型电流 | 持续时间 | 电荷消耗 (mAh) |
|---|---|---|---|
| 深度睡眠 | 5 µA | 59.7 s | 0.000083 |
| 拍照 | 25 mA | 0.1 s | 0.000694 |
| 推理 | 15 mA | 0.1 s | 0.000417 |
| 无线发送 | 50 mA | 0.1 s | 0.001389 |
| 合计 | I_avg ≈ 0.13 mA | 60 s | 0.002583 |
以上表为例，若使用500mAh的锂电池，理论寿命约为500 / 0.13 ≈ 3846小时 ≈ 160天。但实际工程中还需考虑电池自放电（约每月2~3%）、PMU转换效率（通常85~90%）以及温度影响，因此实际寿命通常为理论值的70~80%。
2.3 电池寿命估算的工程方法
电池寿命估算不能仅停留在理论公式，还需要结合实测数据和环境因素进行修正。以下是工程中常用的“三步法”：
- 步骤一：建立功耗状态机。明确系统所有可能的状态（休眠、唤醒、拍照、推理、传输、异常处理），并标注每个状态的触发条件和持续时间。
- 步骤二：实测电流曲线。使用高精度电流探头（如Joulescope、Nordic Power Profiler Kit）连接开发板，运行真实固件，记录一个完整周期的电流-时间波形。重点测量峰值电流、稳态电流和状态切换的瞬态尖峰。
- 步骤三：计算有效容量与寿命。将实测数据代入公式，并考虑电池放电截止电压（通常锂电为3.0~3.3V）、温度降额（-20℃时容量下降30%以上）以及老化系数（循环100次后容量衰减至80%）。
2.4 案例拆解：野外动物监测节点的功耗优化
以下是一个实际项目案例，展示了如何通过架构调整和功耗预算实现长达一年的电池寿命。
项目背景与约束：某生态保护区需要部署20个动物监测节点，要求每30分钟拍摄一张照片，并通过LoRa将缩略图（320×240，JPEG压缩后约15KB）发送至网关。节点使用2节18650锂电池（并联，总容量5000mAh），要求至少连续工作12个月，工作温度范围-10℃~40℃。
初始方案与问题：第一版设计采用ESP32-CAM（内置OV2640），每30分钟唤醒拍照并直接通过Wi-Fi发送原图。实测平均电流高达85mA，电池寿命仅约59小时，完全不可用。分析发现主要问题：Wi-Fi传输功耗高（峰值240mA）、拍照后传感器未进入standby、ESP32在Deep Sleep时仍有12µA漏电。
优化措施：
- 将通信方式从Wi-Fi改为LoRa（SX1262），峰值电流降至120mA，且发送时间从2秒缩短至0.3秒。
- 增加外部MOSFET负载开关，在拍照完成后彻底断开传感器电源，将待机漏电从100µA降至0.1µA。
- 将MCU从ESP32更换为STM32L431（Cortex-M4F），Deep Sleep电流降至1.1µA，并利用其DCMI接口直接采集传感器数据，省去外部FIFO。
- 图像处理优化：在MCU上先进行JPEG压缩（使用TinyJPEG库），将传输数据量从原图300KB降至15KB，LoRa发送时间进一步缩短。
结果对比：优化后实测平均电流降至0.42mA（30分钟周期），理论寿命为5000mAh / 0.42mA ≈ 11905小时 ≈ 496天。考虑电池自放电和低温降额后，实际预估寿命约14个月，满足12个月的设计要求。整个优化过程中，功耗预算表起到了关键指导作用——每次修改后都重新计算各状态的时间占比，确保没有引入新的功耗瓶颈。
复盘经验：低功耗视觉系统的优化顺序应为：先降低“高频状态”的功耗（如休眠电流），再缩短“高频状态”的持续时间（如传输时间），最后才考虑降低“低频状态”的峰值功耗（如拍照电流）。因为平均功耗对休眠电流最敏感，休眠电流降低10µA，等效于拍照电流降低100mA（假设拍照占空比仅为1%）。
2.5 总结与设计清单
低功耗视觉系统的架构设计是一个多目标权衡过程。核心要点可归纳为：
- 架构层面：采用“传感器+MCU+无线模块”的分立式设计，便于独立控制电源域；避免使用集成度过高但功耗不可控的SoC。
- 功耗预算：必须基于“时间加权平均”而非峰值功耗来评估；建立包含所有状态的状态机，并实测每个状态的电流和时间。
- 电池寿命：理论计算值需乘以0.7~0.8的安全系数；优先选择低自放电的电池类型（如磷酸铁锂），并考虑工作温度范围。
- 软件协同：固件应实现“事件驱动”而非“轮询”模式；利用RTC定时唤醒、GPIO中断和DMA传输减少CPU活跃时间。