在這個包含多個部分的工業物聯網係列文章的第一部分，我們將分解和研究大型物聯網框架中邊緣節點檢測和測量能力的基本方麵：檢測

、測量、jieduhelianjieshuju，tongshihaijiangkaolvgonglvguanliheanquanxing。meigebufendoujiangtantaoyizudutedetiaozhan。bianyuanjiediandezhinengguanliduichenggongshishilaishuoshifenguanjian。zaiyixieqingkuangxia
，chaodigonghao(ULP)是最重要的性能指標。在關鍵事件期間，當傳感器從睡眠模式喚醒時，可以過濾掉絕大多數的潛在數據。

 

圖1. 邊緣節點器件智能地檢測

、測(ce)量(liang)和(he)解(jie)讀(du)數(shu)據(ju)並(bing)將(jiang)其(qi)連(lian)接(jie)至(zhi)與(yu)雲(yun)相(xiang)連(lian)的(de)互(hu)聯(lian)網(wang)網(wang)關(guan)。數(shu)據(ju)可(ke)以(yi)通(tong)過(guo)一(yi)些(xie)形(xing)式(shi)的(de)分(fen)析(xi)進(jin)行(xing)預(yu)處(chu)理(li)，然(ran)後(hou)再(zai)傳(chuan)輸(shu)以(yi)進(jin)行(xing)更(geng)深(shen)的(de)數(shu)據(ju)挖(wa)掘(jue)智(zhi)能(neng)分(fen)析(xi)。

 

傳感器構成工業物聯網電子生態係統的前端邊緣。測量階段將檢測到的信息轉換為有意義的數據，如壓力

、位移或旋轉的可量化值。在解讀階段
，邊緣分析與處理會將測量數據轉換為可操作的事件。1 隻(zhi)有(you)最(zui)有(you)價(jia)值(zhi)的(de)信(xin)息(xi)才(cai)應(ying)越(yue)過(guo)節(jie)點(dian)連(lian)接(jie)到(dao)雲(yun)，以(yi)供(gong)預(yu)測(ce)或(huo)曆(li)史(shi)處(chu)理(li)。在(zai)整(zheng)個(ge)信(xin)號(hao)鏈(lian)中(zhong)，都(dou)可(ke)以(yi)根(gen)據(ju)初(chu)始(shi)的(de)可(ke)接(jie)受(shou)性(xing)限(xian)製(zhi)來(lai)抑(yi)製(zhi)或(huo)過(guo)濾(lv)數(shu)據(ju)。理(li)想(xiang)情(qing)況(kuang)下(xia)，傳(chuan)感(gan)器(qi)節(jie)點(dian)應(ying)僅(jin)發(fa)送(song)絕(jue)對(dui)必(bi)要(yao)的(de)信(xin)息(xi)，並(bing)且(qie)應(ying)在(zai)獲(huo)得(de)關(guan)鍵(jian)數(shu)據(ju)後(hou)盡(jin)快(kuai)製(zhi)定(ding)關(guan)鍵(jian)決(jue)策(ce)。

 

邊緣節點必須通過有線或無線傳感器節點(WSN)連接到外部網絡。在信號鏈的這一部分中，數據完整性仍然十分關鍵。如果通信不一致

、丟(diu)失(shi)或(huo)損(sun)壞(huai)，則(ze)優(you)化(hua)檢(jian)測(ce)和(he)測(ce)量(liang)數(shu)據(ju)幾(ji)乎(hu)沒(mei)有(you)價(jia)值(zhi)。通(tong)信(xin)期(qi)間(jian)數(shu)據(ju)丟(diu)失(shi)是(shi)不(bu)可(ke)接(jie)受(shou)的(de)。存(cun)在(zai)電(dian)氣(qi)噪(zao)聲(sheng)的(de)工(gong)業(ye)環(huan)境(jing)可(ke)能(neng)十(shi)分(fen)惡(e)劣(lie)和(he)艱(jian)苦(ku)，尤(you)其(qi)是(shi)在(zai)存(cun)在(zai)大(da)量(liang)金(jin)屬(shu)物(wu)體(ti)情(qing)況(kuang)下(xia)進(jin)行(xing)射(she)頻(pin)通(tong)信(xin)時(shi)。因(yin)此(ci)
，必(bi)須(xu)在(zai)係(xi)統(tong)架(jia)構(gou)設(she)計(ji)期(qi)間(jian)預(yu)先(xian)設(she)計(ji)魯(lu)棒(bang)的(de)通(tong)信(xin)協(xie)議(yi)。

 

ULPxitongdegonglvguanliyixuanzetiaojieqiyuanjianlaishixianzuidaxiaolvweiqidian。danshi
，youyubianyuanjiedianyekenengyikuaisuzhankongbihuanxingheshuimian
，yincihaiyingkaolvshangdianhediaodianshijian。waibuchufaqihuohuanxingminglingnenggoubangzhukuaisutixingbianyuanjiedian
，shiqikaishijianceheceliangshuju。

 

數(shu)據(ju)安(an)全(quan)性(xing)也(ye)是(shi)工(gong)業(ye)物(wu)聯(lian)網(wang)係(xi)統(tong)必(bi)須(xu)考(kao)慮(lv)的(de)一(yi)個(ge)問(wen)題(ti)。我(wo)們(men)不(bu)僅(jin)需(xu)要(yao)確(que)保(bao)邊(bian)緣(yuan)內(nei)的(de)數(shu)據(ju)安(an)全(quan)無(wu)慮(lv)，還(hai)必(bi)須(xu)確(que)保(bao)其(qi)對(dui)網(wang)絡(luo)網(wang)關(guan)的(de)訪(fang)問(wen)免(mian)受(shou)惡(e)意(yi)攻(gong)擊(ji)。決(jue)不(bu)允(yun)許(xu)仿(fang)冒(mao)邊(bian)緣(yuan)節(jie)點(dian)來(lai)獲(huo)取(qu)網(wang)絡(luo)訪(fang)問(wen)以(yi)進(jin)行(xing)不(bu)法(fa)活(huo)動(dong)。

 

 

邊緣處具有眾多檢測解決方案，這些解決方案可能不隻是單個分立器件。邊緣可能存在多種不同的無關數據采集。溫度、聲音、振動
、壓力、濕度、運動、汙染物、音頻和視頻隻是其中可檢測的部分變量
，這些數據會經過處理並通過網關發送至雲，以進行進一步的曆史和預測分析。

 

毫不誇張地說，傳感器就是工業物聯網的支柱。2 但更準確的說法應該是
，它們是獲得洞察的中樞神經係統。邊緣節點檢測和測量技術是目標數據的"出生地"。如果在解決方案鏈的這一階段如實地記錄了不良或錯誤的數據，則雲中再多的後期處理也無法挽回損失的價值。

 

任務關鍵型係統（如具有高風險結果的醫療保健和工廠停機監控係統）要yao求qiu質zhi量liang數shu據ju測ce量liang具ju有you魯lu棒bang的de完wan整zheng性xing。數shu據ju質zhi量liang至zhi關guan重zhong要yao。誤wu報bao或huo遺yi漏lou可ke能neng代dai價jia高gao昂ang，非fei常chang耗hao時shi，甚shen至zhi可ke能neng威wei脅xie生sheng命ming。代dai價jia巨ju大da的de錯cuo誤wu最zui終zhong會hui導dao致zhi計ji劃hua外wai的de維wei護hu
、勞動力使用效率低下，甚至不得不禁用整個物聯網係統。智能始於邊緣節點，而此處也適用那句老話：如果輸入的是垃圾，那麼輸出的也一定是垃圾。

 

圖2. 很多有線和無線邊緣節點輸出可自主連接到網關節點，以便在傳輸至雲服務器之前進行聚合。

 

 

在沒有邊緣節點智能的傳統信號鏈解決方案中，數據隻是數據。非智能節點從不會幫助生成用於製定可行決策的智慧和知識。1 可能存在大量對係統目標性能沒有影響的原始低質量數據。3 轉換所有這些數據並將其發送至最終雲存儲目的地可能需要消耗大量的功率和帶寬。

 

xiangbizhixia，congmingdezhinengfenqubianyuanjiedianjiancehecelianghuijiangshujuzhuanhuanweikefuzhuxingdongdexinxi。zhinengjiediankejiangdizhengtigonghao，suoduanyanchibingjianshaodaikuanlangfei。4 這zhe使shi得de具ju有you較jiao長chang延yan遲chi的de反fan應ying型xing物wu聯lian網wang可ke以yi轉zhuan變bian成cheng實shi時shi的de預yu測ce型xing物wu聯lian網wang模mo式shi。物wu聯lian網wang仍reng然ran適shi用yong基ji本ben的de模mo擬ni信xin號hao鏈lian電dian路lu設she計ji理li念nian。對dui於yu複fu雜za的de係xi統tong
，通tong常chang需xu要yao擁yong有you深shen厚hou的de應ying用yong專zhuan業ye知zhi識shi來lai解jie讀du已yi處chu理li的de數shu據ju。

 

 

隻有最重要的測量信息才需要通過網關發送至雲端以進行最終處理。在一些情況下，大多數數據根本不重要。5 但dan是shi
，對dui於yu本ben地di實shi時shi決jue策ce所suo需xu的de時shi間jian關guan鍵jian型xing係xi統tong數shu據ju，應ying在zai將jiang其qi聚ju合he到dao可ke進jin行xing遠yuan程cheng訪fang問wen的de遠yuan端duan節jie點dian之zhi前qian及ji早zao依yi其qi行xing事shi。相xiang反fan，通tong過guo預yu測ce模mo型xing利li用yong曆li史shi值zhi來lai影ying響xiang長chang期qi洞dong察cha的de信xin息xi是shi雲yun處chu理li的de理li想xiang應ying用yong。通tong過guo將jiang數shu據ju歸gui檔dang到dao龐pang大da的de數shu據ju庫ku以yi供gong追zhui溯su處chu理li和he決jue策ce使shi用yong

，發fa揮hui出chu了le雲yun處chu理li和he存cun儲chu的de強qiang大da優you勢shi。6

 

圖3. 邊緣節點的智能分區解決了以前無法解決的新挑戰。信號鏈中更早的精簡處理和智能實現了更高效的整體物聯網解決方案。

 

 

物wu聯lian網wang傳chuan感gan器qi主zhu要yao為wei模mo擬ni傳chuan感gan器qi。具ju體ti的de工gong業ye應ying用yong要yao求qiu將jiang決jue定ding邊bian緣yuan節jie點dian前qian端duan所suo需xu傳chuan感gan器qi的de動dong態tai範fan圍wei和he帶dai寬kuan。在zai將jiang信xin號hao轉zhuan換huan為wei數shu字zi表biao示shi並bing傳chuan輸shu到dao邊bian緣yuan外wai部bu前qian
，信xin號hao鏈lian的de前qian端duan將jiang處chu於yu模mo擬ni域yu內nei。如ru果guo選xuan擇ze不bu當dang，模mo擬ni信xin號hao鏈lian中zhong的de各ge個ge元yuan件jian都dou有you可ke能neng限xian製zhi邊bian緣yuan節jie點dian的de整zheng體ti性xing能neng。動dong態tai範fan圍wei將jiang為wei目mu標biao滿man量liang程cheng傳chuan感gan器qi相xiang對dui於yu本ben底di噪zao聲sheng或huo下xia個ge最zui高gao無wu用yong信xin號hao的de差cha值zhi。

 

youyuwulianwangchuanganqitongchanghuitongshixunzhaoyizhiheweizhihuodong，yincimonilvboqibingfeishizhongyouyiyi。shuzilvbohuizaiduixinhaojinxingcaiyanghouzhixing。chufeizaichuanganqideqianduanshiyongmonilvboqi
，fouzejibodexiebohuoqitazasanxinhaokenenghunrujiancedexinxibingyumubiaoxinhaojingzhenggonglv。yinci
，zaishejijieduanyinggaizhenduishiyuhepinyuzhongdeyiwaijiancexinhaozhidingyingduijihua，fangzhiganraoweixiangchuxianzaiceliangshujuzhong。

 

檢測到的信息通常由信號鏈中接下來的ADC進行測量。如果使用分立元件來設計物聯網邊緣節點，則在選擇測量ADC時應該注意不要減小傳感器的動態範圍。嵌入式ADC的輸入滿量程範圍通常與傳感器輸出幅度匹配良好。理想情況下

，傳感器輸出應消耗幾乎整個ADC輸入範圍（在1 dB內），而不使ADC發生飽和
，也不會在範圍限製處被裁減掉。但是，也可以使用放大器級來對傳感器輸出信號進行增益或衰減，以便使ADC自身的動態範圍達到最大。ADC滿量程輸入、采樣率、位分辨率、輸入帶寬和噪聲密度都會影響邊緣節點的信號測量性能。

 

前端放大器可以嵌入在節點的測量級或作為分立元件置於ADC前。放大器的增益、帶寬和噪聲也可以增強邊緣節點的性能。

 

信號鏈中傳感器之後的測量ADC通常采用以下兩種采樣架構類型之一：奈奎斯特速率或連續時間- (CTSD)
，其中後者在嵌入式ADC中更為常見。奈奎斯特速率ADC具有等於采樣率頻率一半（即fs/2）的平坦標稱噪底。CTSD結合使用過采樣率和陷波通帶，使噪聲超出目標帶寬，從而增加動態範圍。在了解邊緣節點的模擬帶寬和動態範圍時
，測量ADC架構及其分辨率非常關鍵。

 

圖4. 如果物聯網傳感器上沒有前端模擬濾波器，奈奎斯特速率ADC會將超出第一奈奎斯特區域的高階頻率折疊回目標帶寬中。相比之下
，具有過采樣調製時鍾的CTSD ADC架構使用噪聲整形來在目標頻段中實現高動態範圍。由於CTSD具有固有濾波能力，因此對信號混疊不太敏感。

 

例如，在頻域中，1 Hz單位帶寬的噪聲密度將基於ADC的SNR以及噪聲在ADC采樣頻譜上的分布寬度。在奈奎斯特速率ADC中
，噪聲頻譜密度（每1 Hz帶寬）為0 dB – ADC信噪比(SNR) – 10 × log(fs/2)，其中fs/2為采樣率除以二或ADC的單個奈奎斯特區域。理想SNR的計算公式為SNR = 6.02 × N + 1.76 dB
，其中N為ADC位數。但是，ADC的實際SNR涉及到晶體管和半導體處理的非理想因素，這包括電氣噪聲和晶體管級元件瑕疵。這些非理想因素會導致SNR性能降到理想性能以下，因此請查閱ADC數據手冊以了解SNR目標性能。

 

邊緣節點的動態範圍將由傳感器的動態範圍、信號的放大率（如果需要）和ADC滿量程動態範圍組成。如果傳感器的滿量程輸出信號未達到ADC滿量程範圍輸入的1 dB以內

，則ADC的部分動態範圍將會閑置。相反，如果來自傳感器的輸入超出ADC的量程，則會造成采樣的信號失真。在計算邊緣節點的動態範圍時，放大器帶寬
、增益和噪聲也是需要考慮的一部分。傳感器、放大器和ADC的總電氣噪聲將為各RMS分量的平方和的平方根。7

 

圖5. 傳感器信號輸出幅度與ADC的輸入滿量程不匹配而出現動態範圍丟失（藍色）的示例。需要使用放大器最大程度地增大傳感器的動態範圍，同時防止ADC發生飽和（紅色）。信號匹配必須考慮整個邊緣節點信號鏈的帶寬、動態範圍和噪聲。

 

 

zaigongyewulianwangzhong

，jiqizhendongzhuangtaijiankongjianghuishiyixiangfeichangzhongyaodeyingyong。xinxinghuochuantongjiqishebeikenengyongyouduogeguanjiandejixieyuanjian，liruzhuanzhouhuochilun
，zhexieyuanjiankenengzhuangyougaodongtaifanweideMEMS加速度計。8 這些多軸傳感器將對機械的振動位移進行實時采樣。測量後，振動信號可以進行處理並與理想的機器配置進行比較。9 在工廠中
，通過分析這類信息，可以幫助提高效率
、減少停機情況並提前預測機械故障。在極端情況下，可迅速關閉機械元件正在急劇惡化的機器，從而避免造成進一步的損壞。

 

圖6. 雖然可以定期執行例行機器維護，但這通常不是根據機器狀況而智能進行的。10 通過分析特定機器操作的振動性能
，可在邊緣節點處發出預測故障點和維護裏程碑警告。

 

通過實現邊緣節點分析
，可以顯著縮短決策時間延遲。圖7顯示了這樣的一個示例，在這個示例中
，在超出MEMSchuanganqijinggaoyuzhixianzhihou
，xitonglijifasonglejinggao。ruguoshijianjiqiyanzhongerbeirendingweiguanjianshijian，keshouquanjiedianzidongjinyongweiguishebei，yifangzhifashengfeichanghaoshidezainanxingjixieguzhang。

 

圖7. 機ji器qi振zhen動dong采cai樣yang數shu據ju的de時shi域yu表biao示shi，其qi中zhong比bi較jiao器qi閾yu值zhi可ke決jue定ding是shi否fou將jiang檢jian測ce和he測ce量liang數shu據ju傳chuan送song到dao邊bian緣yuan以yi外wai。係xi統tong可ke保bao持chi低di功gong耗hao狀zhuang態tai以yi過guo濾lv大da部bu分fen信xin息xi
，直zhi到dao通tong過guo閾yu值zhi交jiao叉cha事shi件jian實shi現xian數shu據ju優you勢shi為wei止zhi。

 

或者
，可以調用觸發信號以使能另一個檢測和測量節點（如備用機器元件上的節點）
，以yi便bian開kai始shi根gen據ju第di一yi個ge事shi件jian來lai解jie讀du數shu據ju。這zhe樣yang可ke以yi減jian少shao來lai自zi邊bian緣yuan節jie點dian的de采cai樣yang數shu據ju總zong量liang。要yao確que定ding相xiang對dui於yu標biao稱cheng值zhi的de任ren何he振zhen動dong異yi常chang，前qian端duan節jie點dian在zai設she計ji上shang必bi須xu達da到dao所suo需xu的de檢jian測ce性xing能neng。檢jian測ce和he測ce量liang電dian路lu的de動dong態tai範fan圍wei、采樣率和輸入帶寬應該足以識別任何偏移事件。

 

 

另(ling)一(yi)種(zhong)工(gong)業(ye)物(wu)聯(lian)網(wang)邊(bian)緣(yuan)節(jie)點(dian)應(ying)用(yong)為(wei)具(ju)有(you)嵌(qian)入(ru)式(shi)視(shi)頻(pin)分(fen)析(xi)的(de)智(zhi)慧(hui)城(cheng)市(shi)工(gong)業(ye)攝(she)像(xiang)機(ji)。根(gen)據(ju)智(zhi)慧(hui)城(cheng)市(shi)的(de)定(ding)義(yi)，城(cheng)市(shi)的(de)使(shi)命(ming)是(shi)將(jiang)無(wu)數(shu)的(de)信(xin)息(xi)和(he)通(tong)信(xin)點(dian)彙(hui)聚(ju)到(dao)一(yi)個(ge)凝(ning)聚(ju)的(de)係(xi)統(tong)中(zhong)，以(yi)實(shi)現(xian)對(dui)城(cheng)市(shi)資(zi)產(chan)的(de)管(guan)理(li)。一(yi)種(zhong)常(chang)見(jian)的(de)應(ying)用(yong)是(shi)提(ti)供(gong)停(ting)車(che)位(wei)空(kong)缺(que)提(ti)醒(xing)和(he)占(zhan)用(yong)檢(jian)測(ce)。調(tiao)試(shi)期(qi)間(jian)會(hui)為(wei)各(ge)攝(she)像(xiang)機(ji)預(yu)先(xian)確(que)定(ding)視(shi)場(chang)。分(fen)析(xi)機(ji)製(zhi)中(zhong)可(ke)以(yi)定(ding)義(yi)和(he)使(shi)用(yong)邊(bian)界(jie)邊(bian)緣(yuan)檢(jian)測(ce)來(lai)識(shi)別(bie)各(ge)種(zhong)對(dui)象(xiang)及(ji)其(qi)運(yun)動(dong)。在(zai)邊(bian)緣(yuan)處(chu)
，不(bu)僅(jin)可(ke)以(yi)分(fen)析(xi)對(dui)象(xiang)的(de)曆(li)史(shi)運(yun)動(dong)，還(hai)可(ke)使(shi)用(yong)數(shu)字(zi)信(xin)號(hao)處(chu)理(li)(DSP)算法來根據對象軌跡計算預測的路徑。

 

圖8. 利用邊緣節點視頻分析，可在低功耗係統中確定對象類型檢測
、軌跡和邊界交叉
，而無需將全帶寬視頻數據發送至雲端進行分析。隻需傳輸時間戳及痕跡對象坐標和類型。

 

在(zai)類(lei)似(si)的(de)頻(pin)率(lv)濾(lv)波(bo)中(zhong)
，終(zhong)端(duan)處(chu)理(li)通(tong)常(chang)不(bu)需(xu)要(yao)全(quan)帶(dai)寬(kuan)的(de)視(shi)頻(pin)分(fen)析(xi)幀(zhen)。通(tong)常(chang)
，不(bu)用(yong)於(yu)安(an)全(quan)目(mu)的(de)時(shi)


，隻(zhi)需(xu)要(yao)完(wan)整(zheng)視(shi)頻(pin)幀(zhen)的(de)一(yi)小(xiao)部(bu)分(fen)。在(zai)固(gu)定(ding)安(an)裝(zhuang)的(de)攝(she)像(xiang)機(ji)上(shang)，幀(zhen)與(yu)幀(zhen)之(zhi)間(jian)的(de)大(da)部(bu)分(fen)可(ke)視(shi)數(shu)據(ju)為(wei)靜(jing)態(tai)數(shu)據(ju)。靜(jing)態(tai)數(shu)據(ju)可(ke)以(yi)過(guo)濾(lv)掉(diao)。在(zai)一(yi)些(xie)情(qing)況(kuang)下(xia)，隻(zhi)需(xu)要(yao)分(fen)析(xi)目(mu)標(biao)對(dui)象(xiang)的(de)邊(bian)界(jie)交(jiao)叉(cha)數(shu)或(huo)運(yun)動(dong)坐(zuo)標(biao)。縮(suo)減(jian)的(de)信(xin)息(xi)子(zi)集(ji)可(ke)以(yi)采(cai)用(yong)痕(hen)跡(ji)坐(zuo)標(biao)的(de)形(xing)式(shi)傳(chuan)輸(shu)至(zhi)信(xin)號(hao)鏈(lian)中(zhong)的(de)下(xia)一(yi)網(wang)關(guan)。

 

邊緣節點視頻分析可提供多種濾波解讀來區分各種對象類型，例如汽車、卡車、自行車、人(ren)類(lei)和(he)動(dong)物(wu)等(deng)。這(zhe)種(zhong)抽(chou)取(qu)操(cao)作(zuo)減(jian)少(shao)了(le)雲(yun)服(fu)務(wu)器(qi)上(shang)所(suo)需(xu)的(de)數(shu)據(ju)帶(dai)寬(kuan)和(he)計(ji)算(suan)能(neng)力(li)，而(er)如(ru)果(guo)要(yao)分(fen)析(xi)下(xia)遊(you)發(fa)送(song)的(de)全(quan)幀(zhen)速(su)率(lv)視(shi)頻(pin)數(shu)據(ju)，則(ze)會(hui)占(zhan)用(yong)大(da)量(liang)的(de)數(shu)據(ju)帶(dai)寬(kuan)和(he)計(ji)算(suan)能(neng)力(li)。

 

室內攝像機應用可以識別穿過入口邊界的人數
，還可調整房間的照明
、加熱或製冷。要在極端照明條件或其他具有挑戰性的照明條件（如降雨）下實現視覺有效性
，室外攝像機可能需要具有高動態範圍。每像素8位或10位的典型成像傳感器可能無法在所有檢測情形中的照明條件下
，提供足夠的亮度動態範圍。相較於以240 Hz的刷新速率查看快速運動，工業分析攝像機上可以使用較慢的幀速率來監控活動。

 

圖9. 通過在邊緣節點處部署采用DSP對象檢測算法的高動態範圍成像器
，即使在低照明條件下
，也可以確定運動和邊界入侵。這個示例使用視覺對比來定義室內工廠/辦公室（左側）和室外停車場（右側）的邊緣檢測。

 

 

ADT7420 是一款具有突破性性能的4 mm × 4 mm數字溫度傳感器，內置16位ADC，分辨率可達0.0078°C
，功耗僅為210A。ADXL362是一款超低功耗、3軸MEMS加速度計，在運動觸發喚醒模式下，以100 Hz采樣速率工作時功耗僅為2 A。它不使用功率占空比，而是在所有數據速率下均采用全帶寬架構，從而防止了輸入信號混疊。ADIS16229是一款具有嵌入式射頻收發器的雙軸18 g數字MEMS振動傳感器。它還通過512點數字FFT能力提供了片上頻域信號處理功能。

 

支持DSP的Blackn低功耗成像平台(BLIP)11可基於成熟的數字信號處理工具實現工業視覺設計的快速原型製作。優化的軟件庫為設備製造商提供了用於運動檢測、人數統計和車輛檢測的開箱即用解決方案。

 

 

1 Colm Prendergast. "互聯世界中的智能分區和價值創造" 。物聯網專題演講：2015 IESA視覺峰會。

 

2 Stephen Lawson. "物聯網不斷將分析能力推向邊緣." PCWorld: IDG News Service, 2016年。

 

3 Lisa Morgan. "邊緣分析——物聯網數據洪流的解藥." InformationWeek: UBM Electronics, 2016年。

 

4 Daniel Kirsch. "邊緣分析的價值." Hurwitz & Associates Services, 2015年。

 

5 Jason Stamper. 物聯網將分析能力驅動至網絡邊緣的原因. 451 Research, 2015年。

 

6 Steve Nelson. "端到端探索物聯網." Element14: Newark Electronics, 2014年。

 

7 Umesh Jayamohan. "了解放大器噪聲對ADC信號鏈中總噪聲的影響." 模擬對話
，2013年2月。

 

8 Robert Randall，"基於振動的狀態監控"。澳大利亞新南威爾士州：新南威爾士大學，2010年。

 

9 Ed Spence. "利用MEMS加速度計的優勢進行狀態監控." Electronic Design
，Penton Publishing，2016年。

 

10 Jamie Smith，"用於工業物聯網的智能邊緣設備"。ARC工業論壇
，2015年

 

11 Blackn低功耗成像平台(BLIP)。ADI公司，2014年。

 

本文轉載自亞德諾半導體。