XC7Z035-2FFV676E_XC7Z015-3CLG485C导读

Softnautics 采用了赛灵思 Vitis AI
堆栈并运用该软件提供加速，开发出混合应用，同时实现了 LSTM 功能，通过将 TensorFlow-lite 移植/迁移到 ARM 进行有效的序列预测。它使用
N2Cube 软件在处理侧（PS）运行。图像预处理/后处理通过 Vivado 使用 HLS 实现，而 Vitis
的作用是使用连接文本提议网络（CTPN）完成推断。最终，Softnautics
将该解决方案用于视频流水线中的实时场景文本检测，并使用可靠的数据集对模型进行改进。

降低温度还可呈指数提高芯片的可靠性。研究表明，温度降低20℃可使芯片总体寿命延长10倍。目前的FPGA不支持大范围电压调整，推荐的电压范围通常是±5%。结温可以用散热器和气流等冷却方案来降低。通过改变电源配置，很容易调整电源电压。电压和温度控制
如图1所示，降低电压和温度均可显着减少漏电流。电源电压降低5% 就可降低功耗10%。温度降低20℃可减少漏电功耗25%以上。

XC7Z035-2FBG676I

XQ4VLX60-10EF668M XQ4VLX40-10FFG668M
XQ4VLX40-10FF668I XQ4VLX25-DIE4058 XQ4VLX25-11SF363M XQ4VLX25-10SFG363M
XQ4VLX25-10SF363M XQ4VLX25-10SF363I XQ4VLX25-10FF668M XQ4VLX25-10FF668I
XQ4VLX160-10FF1148I XQ4VLX100-10FF668M XQ4VLX100-10FF1148M XQ4VLX100-10FF1148I
。

XQ4010E-3BG196M XQ4010E-3BG191N XQ4010E-10PG191M
XQ4005ECB164CKJ XQ4005ECB164CK XQ4005E-6PG156M XQ4005E-5PG156M XQ4005E-4PG156M
XQ4005E-4PG156C XQ4005E-4CB164M XQ2VP70-6EF1704I XQ2VP70-5FF1704N
XQ2VP40-5FG676N XQ2V6000-BG575N XQ2V6000-BG575M 。

XQ5VSX50T-1EF665I XQ5VSX50T XQ5VSX240T-1FF1738I
XQ5VSX240T XQ5VLX85-2EF676I XQ5VLX85-1EF676IES XQ5VLX85-1EF676I XQ5VLX85
XQ5VLX330T-1EF1738I XQ5VLX330T XQ5VLX30T-DIE4058 XQ5VLX30T-2FF323I
XQ5VLX30T-1FF323M 。

XQ6SLX150-L1CSG484I XQ6SLX150-L1CS484I
XQ6SLX150-CSG484 XQ6SLX150-2FG484I XQ6SLX150-2CSG484I XQ6SLX150-2CS484Q
XQ6SLX150-2CS484I XQ6SLX150 XQ5VSX95T-2EF1136I XQ5VSX95T-1FF1136I
XQ5VSX95T-1EF1136I XQ5VSX95T XQ5VSX50T-DIE4058 XQ5VSX50T-2EF665I 。

XC7Z010-2CLG225E

XQVR2V300-4CB228V XQVR1000-4CG560V XQVR1000-4CG560M
XQVR1000-47J560N XQV95288XL-7BG256N XQV812E-7FG900N XQV812E-6BG560N
XQV800E-6FG680N XQV800E-6FG676N XQV800E-5PQ240N XQV800E-5HQ240N XQV800E-3BG560N
XQV600E-6FG900N XQV600E-6FG680N 。

XQ7A200T-1RS484I XQ6VSX475T-L1RF1759I
XQ6VSX475T-L1RF1156I XQ6VSX475T-L1FFG1156I XQ6VSX475T-3FFG1156I
XQ6VSX475T-2FFG1156I XQ6VSX475T-1RF1759I XQ6VSX475T-1RF1156I
XQ6VSX475T-1FFG1156I XQ6VSX315T-L1RF1759I XQ6VSX315T-L1RF1156I
XQ6VSX315T-L1FFG1156I XQ6VSX315T-2RF1759I XQ6VSX315T-2RF1156I
XQ6VSX315T-2FFG1156I 。

XQ6SLX150T-DIE0628 XQ6SLX150T-3FGG676I
XQ6SLX150T-3FG484I XQ6SLX150T-3CSG484I XQ6SLX150T-3CS484I XQ6SLX150T-2FGG676Q
XQ6SLX150T-2FGG676I XQ6SLX150T-2FG676Q XQ6SLX150T-2FG484Q XQ6SLX150T-2FG484I
XQ6SLX150T-2CSG484Q XQ6SLX150T-2CSG484I XQ6SLX150T-2CS484Q XQ6SLX150T-2CS484I
XQ6SLX150T 。

XQ6VLX240T-2FFG1156I XQ6VLX240T-1RFG1759M
XQ6VLX240T-1RF784M XQ6VLX240T-1RF784I XQ6VLX240T-1RF1759M XQ6VLX240T-1RF1759I
XQ6VLX240T-1RF1156M XQ6VLX240T-1RF1156I XQ6VLX240T-1FFG1156M
XQ6VLX240T-1FFG1156I XQ6VLX130T-L1RF784I XQ6VLX130T-L1RF1156I
XQ6VLX130T-L1FFG1156I 。

VivadoHLS视频处理函数库使用hls::Mat<>数据类型，这种类型用于模型化视频像素流处理，实质等同于hls::steam<>流的类型，而不是OpenCV中在外部memory中存储的matrix矩阵类型。因此，在用VivadoHLS实现OpenCV的设计中，需要将输入和输出HLS可综合的视频设计接口，修改为Video
stream接口，也就是采用HLS提供的video接口可综合函数，实现AXI4 video
stream到VivadoHLS中hls::Mat<>类型的转换。

我们通过快速角点的例子，说明通常用VivadoHLS实现OpenCV的流程。接着，建立基于视频数据流链的OpenCV处理算法，改写前面OpenCV的通常设计，这样的改写是为了与HLS视频库处理机制相同，方便后面步骤的函数替换。当然，这些可综合代码也可在处理器或ARM上运行。最后，将改写的OpenCV设计中的函数，替换为HLS提供的相应功能的视频函数，并使用VivadoHLS综合，在Xilinx开发环境下在FPGA可编程逻辑或作为Zynq
SoC硬件加速器实现。首先，开发基于OpenCV的快速角点算法设计，并使用基于OpenCV的测试激励仿真验证这个算法。