1. 课程导入与Kria平台认知

在工业机器视觉项目中，开发者长期面临一个矛盾：算法验证往往在x86工作站或GPU服务器上完成，而现场部署却要求低功耗、小体积、宽温、长期稳定运行。AMD Kria系列自适应SoC模块（SOM，System-on-Module）正是为弥合这一鸿沟而设计的产品线。本课程以Kria SOM为核心硬件平台，围绕机器视觉系统的开发流程与工业现场部署展开，帮助具备一定嵌入式或Python基础的开发者，建立从平台选型、视觉加速、模型部署到现场集成的完整能力。

Kria SOM产品线的定位与差异

Kria并非单一开发板，而是一个以SOM为核心、配合载板（Carrier Card）和官方加速应用的平台体系。理解其产品分层，是后续选型与开发的前提。

Kria SOM的核心器件是AMD Zynq UltraScale+ MPSoC，内部集成了ARM Cortex-A53应用处理器、Cortex-R5实时处理器、Mali-400 GPU以及可编程逻辑（PL）区域。这种“CPU+FPGA+AI引擎”的异构结构，使Kria既能运行Linux和完整视觉软件栈，又能通过PL实现低延迟、确定性的图像预处理与硬件加速。

目前主流的三款SOM及其定位如下：

• K26：面向成本敏感、算力需求适中的视觉与工业控制场景，逻辑资源与DSP数量相对精简，适合多路低速相机采集、简单分类与检测任务。
• KV260：视觉专用入门套件，官方提供Smart Camera、AI Box等加速应用（Accelerated Application），开箱即可运行缺陷检测、人脸识别等参考设计，是学习Kria视觉开发的最佳起点。
• KR260：面向机器人与工业通信，强调实时以太网、EtherCAT、多轴运动控制与视觉的协同，适合需要视觉引导的机器人或产线设备。

三者的共同点是都支持PYNQ、Vitis AI、Kria App Store等软件生态；差异主要体现在PL资源规模、接口数量与官方应用模板。选型时应先明确相机路数、分辨率、帧率、推理模型复杂度以及是否需要硬实时通信，再对应到具体型号。

AI加速能力与机器视觉的契合点

Kria的AI加速并非单纯依赖GPU，而是通过DPU（Deep Learning Processing Unit）在PL中实现卷积神经网络推理。DPU以IP核形式集成，支持INT8量化模型，典型配置下可在KV260上提供约1.4 TOPS的算力（具体数值随DPU配置与时钟变化，此处为官方参考量级）。

对机器视觉而言，真正关键的不是峰值算力，而是“采集—预处理—推理—后处理—输出”这条链路的确定性。Kria的优势在于：图像采集可通过MIPI、GigE Vision或USB接入；预处理（去噪、缩放、色彩空间转换、ROI裁剪）可在PL中流水化完成；DPU推理与CPU后处理并行；最终结果可通过GPIO、以太网或工业总线输出。这种软硬协同的结构，使端到端延迟可控制在毫秒级，满足多数工业检测与引导需求。

课程目标与学习路径

本课程不追求泛泛介绍FPGA或深度学习理论，而是以“能做出一个可部署的工业视觉节点”为最终目标。学习路径分为四个阶段：

1. 平台认知与开发环境搭建：理解Kria硬件结构，完成Ubuntu/PetaLinux启动、网络配置、PYNQ与Vitis AI环境验证。
2. 视觉数据通路构建：从相机采集开始，完成图像格式转换、ROI裁剪、流水线搭建，并用实际图像验证每一级输出。
3. AI模型部署与加速：将训练好的模型量化、编译为DPU可执行的xmodel，在KV260上完成推理并与CPU版本对比延迟与精度。
4. 工业现场集成与部署：处理触发同步、结果输出、异常恢复、长期运行稳定性与现场调试。

每个阶段都配有可运行的示例与判断依据。例如在模型部署阶段，我们不会只说“编译模型”，而会给出具体的量化校准集准备、vai_c编译命令、以及如何通过xir和runner验证推理输出与原始框架的一致性。

工业部署的总体框架

工业现场与实验室的最大区别在于：环境温度、电磁干扰、供电质量、振动、粉尘以及7×24小时连续运行要求。Kria SOM本身支持工业级温度范围（具体型号需确认），但载板设计、散热、接口防护和软件看门狗同样关键。

部署框架可以概括为三个层面：

• 硬件层：SOM+载板+相机+光源+执行机构的电气与机械集成，关注供电余量、接地、屏蔽与散热。
• 软件层：启动可靠性、文件系统只读保护、日志轮转、模型与配置的版本管理、异常自动恢复。
• 应用层：视觉任务的节拍匹配、结果判定逻辑、与PLC或上位机的通信协议、误检与漏检的现场处理策略。

接下来的章节将沿着上述路径逐步展开。你不需要先成为FPGA专家，但需要保持对“数据从哪里来、经过什么处理、结果如何被使用”的清晰追踪。Kria平台的价值，正在于让视觉算法工程师能够以较高抽象层次使用硬件加速，同时保留在必要时下沉到PL进行定制的空间。