第1章课程导论

一、课程导论：为什么嵌入式视觉系统需要关注功耗？功耗优化的核心挑战与机遇

各位同学，大家好。我是你们这门课的主讲人。在嵌入式系统这个行当摸爬滚打了十几年，我见过太多“性能爆表、续航扑街”的项目了。今天咱们聊的，是嵌入式视觉系统里一个绕不开的话题——功耗。

你可能会问：“功耗嘛，不就是电池大一点、散热片厚一点的事？” 嗯，如果真这么简单，我也没必要专门开一门课了。咱们先从一个真实场景说起。

几年前，我参与过一个智能门锁的项目。摄像头模组用的是当时主流的300万像素传感器，主控是ARM Cortex-A系列。功能演示时，人脸识别又快又准，客户非常满意。结果一到实测续航——满电状态下，纯待机不到8小时。为什么？

问题就出在视觉处理上。每次有人经过，哪怕只是楼道里的猫，系统都会唤醒摄像头，跑一遍完整的检测算法。你想想看，一个门锁一天要被触发几百次，每次全速运行几十秒，这功耗能不高吗？

后来我们做了个简单的优化：用低功耗的PIR传感器先做粗粒度检测，确认有人形目标再唤醒摄像头。就这么一招，待机时间从8小时直接拉到了两周。你看，功耗优化的空间，往往就在这些细节里。

核心观点：嵌入式视觉系统的功耗问题，本质上是“感知-计算-通信”三者之间的能量博弈。任何一个环节失控，都会导致系统整体功耗爆炸。

说白了，视觉处理天生就是“吃电”的。我给大家拆解一下，能量都消耗在哪儿了：

图像传感器： 像素越多、帧率越高，功耗越大。一个1080P@30fps的传感器，典型功耗在150-300mW之间。如果再加上ISP（图像信号处理器），轻松突破500mW。
数据搬运： 这是最容易被忽视的。一张1080P的RAW图，大小约6MB。如果每秒传30帧，带宽需求接近180MB/s。数据在DDR、CPU、NPU之间来回倒腾，每一次读写都在烧电。
算法计算： 神经网络推理是“电老虎”。一个轻量级的MobileNet，在Cortex-M7上跑一次推理可能需要几百毫焦。如果换成YOLOv5，功耗直接翻几倍。
无线传输： 很多视觉系统需要把结果或图像上传到云端。Wi-Fi或4G模块一开，功耗瞬间飙到几百毫瓦甚至瓦级。

我的个人习惯： 拿到一个新项目，我第一件事不是看性能指标，而是先拉一张“功耗预算表”。把每个模块的峰值功耗、平均功耗、占空比都列出来。这张表，就是后续所有优化工作的“作战地图”。

做功耗优化，说白了就是在“性能、功耗、成本”这个不可能三角里找平衡。我遇到过几个典型的坑：

挑战一：性能与功耗的“零和博弈”。你想让识别更准，就得用更大的模型；模型大了，功耗就上去了。怎么在精度损失1%的前提下，把功耗砍掉50%？这是门手艺活。
挑战二：动态功耗的“隐形杀手”。静态功耗（漏电流）好算，动态功耗（开关功耗）才是大头。尤其是视觉系统，工作负载波动极大——空闲时可能只有几毫瓦，处理一帧图像时瞬间飙到几瓦。这种“脉冲式”的功耗，对电源设计和散热都是巨大考验。
挑战三：系统级优化的“木桶效应”。我曾经优化过一个项目，把算法功耗降了30%，结果发现无线模块的功耗占比从40%变成了70%。你想想看，局部优化做得再好，如果系统瓶颈没解决，整体收益还是有限。

避坑指南： 我曾经犯过一个低级错误——只盯着芯片的“典型功耗”看，忽略了“峰值功耗”。结果产品在低温环境下启动时，瞬间电流过大，直接把电源管理芯片烧了。记住：做功耗设计，一定要留足余量，尤其是启动和唤醒瞬间的浪涌电流。

虽然挑战不少，但机遇同样巨大。我个人觉得，现在正是入局低功耗视觉系统的最佳时机。为什么？

硬件红利： 近两年，RISC-V架构的MCU、超低功耗的NPU（比如K210、MAX78000）大量涌现。这些芯片在1mW级别就能跑轻量级神经网络，这在五年前是想都不敢想的。
算法红利： 知识蒸馏、模型量化、神经架构搜索（NAS）这些技术越来越成熟。我最近用TinyML做的一个手势识别项目，模型大小只有32KB，在Cortex-M4上跑一次推理只要5ms，功耗不到10mJ。
场景红利： 智能家居、可穿戴设备、工业物联网……这些场景对“永远在线、低功耗”的视觉感知需求正在爆发。谁能把功耗做到极致，谁就能抢占市场。

一句话总结： 嵌入式视觉系统的功耗优化，不是简单的“省电”，而是一场从硬件选型、算法设计到系统架构的全链路协同作战。这门课，我会把我这些年踩过的坑、总结的经验，毫无保留地分享给大家。

好了，导论部分就到这里。下一章，咱们会深入聊聊“功耗建模与分析”——说白了，就是怎么用数据说话，找到系统里真正的“电老虎”。