Merge branch 'master' of https://github.com/xuos/xuos-web

docs/.vuepress/sidebar.js

@@ -72,7 +72,8 @@ const sidebar = {
   ],
   'appcase': [
     '/doc/appcase/dashengda',
-    '/doc/appcase/qianjiangdianqi'
+    '/doc/appcase/qianjiangdianqi',
+    '/doc/appcase/meter_reading'
   ],
 }
 

docs/doc/apparch/zhi.md

@@ -2,14 +2,22 @@
 
 ## 基本框架
 
-工厂中不仅有气压、温度等环境数据，还有很多图像、声音等数据，比如工业设备仪表盘、厂房工人分布等，这些数据也需要检测并处理。传统方案使用嵌入式终端采集、云端处理的架构。而当前越来越多的硬件厂商开始将一部分AI算力下沉到嵌入式终端上，比如 ST 推出的针对 STM 平台的神经网络加速库 STM32 Cube.AI，ARM 即将发布的针对嵌入式场景的 Ethos-U55 神经网络处理器，以及 勘智 K210 平台嵌入了一颗卷积网络加速器 KPU。本系统提供了在嵌入式节点端做轻量级AI处理的应用框架，可以在 Arm Cortex-M 或者 有神经网络加速器的平台（比如 勘智 K210）运行。对于复杂的 AI 应用，可以选择完全在 边缘或者云侧处理，也可以选择在 节点端做简单预处理，在 边缘或者云侧做后续的处理。基本结构如下：
+传统嵌入式场景下，节点端主要负责数据采集和简单处理，复杂的任务放在边缘或者云端完成。而随着嵌入式芯片性能越来越强，在端侧承担更多的计算也成了目前的一个趋势，比如ST 推出的针对 STM 平台的神经网络加速库 STM32 Cube.AI。最近，部分厂商开始在嵌入式平台上引入神经网络加速模块，比如 ARM 即将发布的针对嵌入式场景的 Ethos-U55 神经网络处理器，以及 勘智 K210 平台嵌入了一颗卷积网络加速器 KPU，使得端侧算力进一步增强，从而使我们可以在端侧做更多的计算和任务，从而相比传统解决方案有更好的延时、更低的成本。
+
+我们提供了端侧的智能框架，将部分 AI 计算下沉到端侧，可以在端侧完成部分 AI 计算，从而为工业场景下的图像、声音等数据采集和感知提供更丰富的解决方案。比如 对于工业环境下的机械仪表读数识别，我们在初始化时通过边缘或者云端完成仪表数字分析，后续运行中我们在节点端完成仪表指针识别并计算仪表读数，从而在运行中不需要和边缘或者云端通信就可以完成读数识别，提供了更低的延时。
+
+端侧智能框架基本结构如下：
 
 ![智能框架架构](./imagesrc/framework-ai-arch.png)
 
-端侧智能运行框架中，目前在 STM32 平台上支持 TensorFlow Lite for Microcontroller，勘智K210 上支持 KPU Model，CV算子目前暂不支持。模型库中有一些已经训练好的模型，可以直接使用，比如人物检测模型，仪表盘识别模型等。
+图中 **端侧智能框架** 是我们提供的在节点端进行智能计算的框架，而 边缘/云端智能框架 是进行进一步复杂智能计算的框架。其中，模型库是我们提供的一些训练好的AI模型，比如仪表读数识别模型、人物检测模型等。
+
+端侧智能框架 目前在 STM32 平台上支持 TensorFlow Lite for Microcontroller，在勘智K210 上支持 KPU Model，CV算子目前暂不支持。后续工作中，我们会将 TF Lite for MCU 和 KPU Model 融合以及提供一些通用的 CV 算子。
 
 ## 端侧 Framework 的使用说明
 
-在 STM32 平台，本系统提供 TensorFlow Lite for Microcontroller 框架，关于 TF Lite for MCU 的使用，可以参照 [TF Lite for MCU 官方教程](https://www.tensorflow.org/lite/microcontrollers) ，详细说明后续补充。
+端侧智能框架 的具体 API 后续放出，目前可以参考以下资料。
+
+在 STM32 平台，本系统提供 TensorFlow Lite for Microcontroller 框架，关于 TF Lite for MCU 的使用，可以参照 [TF Lite for MCU 官方教程](https://tensorflow.google.cn/lite/microcontrollers) ，详细说明后续补充。
 
 在 勘智 K210 平台，本系统提供 KPU Model 的框架，详细使用可以参考 [勘智官方说明](https://s3.cn-north-1.amazonaws.com.cn/dl.kendryte.com/documents/kendryte_standalone_programming_guide_v0.3.0.pdf) 的 “神经网络处理器（KPU）”章节，详细说明后续补充。

docs/doc/appcase/meter_reading.md

@@ -0,0 +1,25 @@
+# 仪表读数识别
+
+## 应用场景
+
+在老式工厂厂房中分布着很多机械式仪表盘，需要工人定期查看仪表数据，费时费力。我们需要一种自动化采集的装置完成工厂数据的采集，不需要工人人工操作，提高效率，节省人力。
+
+如何采集仪表数据？有些仪表盘可以方便的获取数据，比如智能电表，但是有些仪表盘获取数据并不容易，比如有些设备上的仪表盘，工厂不允许轻易接入设备控制系统，需要一种非侵入式的数据采集方式，再比如一些老式的机械仪表盘，本身没有电子系统，需要通过图像方式采集。我们提供了两种基于图像采集、图像分析的非侵入式解决方案来完成仪表读数的自动识别，方案具体细节见下文展示。
+
+## 应用展示
+
+### 基于端侧采集、边缘识别的方案
+
+方案一采用 端侧采集、边缘识别 的方案，该方案在节点端采集仪表盘图像，然后通过 wifi 传输到边缘端识别，完成读数计算。基本结构如下：
+
+![端侧采集边缘识别](./imagesrc/meter-reading-1.png)
+
+该方案在边缘端服务器上完成仪表盘读数识别，利用服务器上强大的算力可以准确识别表盘数据，但是需要端侧频繁发送图像数据。
+
+### 基于端侧识别的方案
+
+方案二采用端侧识别的方案，该方案在初始化的时候需要边缘侧或者云侧通信，利用边缘侧或者云侧的算力完成表盘数字识别，然后后续运行中不依赖边缘侧或云侧，只需要在端侧利用智能算法完成指针识别，并计算出读数。基本结构如下：
+
+![端侧识别](./imagesrc/meter-reading-2.png)
+
+该方案需要端侧具备一定的算力，比如 Kendryte K210，其具有神经网络加速器，可以完成指针的识别。该方案利用端侧识别的方式，运行中不需要和边缘、云侧通信，可以更快速、更高效的完成读数识别。