什么是 电鱼智能 EFISH-SBC-RK3576？
电鱼智能 EFISH-SBC-RK3576是一款高性能边缘计算板卡，搭载Rockchip RK3576SoC。其核心架构包含8核 CPU（4×Cortex-A72 @ 2.3GHz + 4×Cortex-A53 @ 2.2GHz）和强大的6 TOPS NPU。
与入门级芯片不同，RK3576 的 NPU 支持TensorFlow, PyTorch等主流框架 ，专为复杂的边缘 AI 任务设计。板载MIPI CSI接口 和HDMI 2.1输出 ，使其能够打通从摄像头采集、AI 处理到 4K 显示的全链路视频流。
为什么 水下视觉 需要这款硬件？（选型分析）
水下环境复杂，传统 FPGA 或 DSP 方案开发难度大且成本高。EFISH-SBC-RK3576通过以下特性解决了核心痛点：
1. 6 TOPS 算力：实时“修图”的基础
痛点：水下图像增强算法（如去雾、色彩恢复）计算量巨大，普通 CPU 跑不动，导致画面延迟极高。
RK3576 优势：内置6 TOPS NPU。这一算力水平是入门级 RK3568（1 TOPS）的 6 倍。它足以支撑Zero-DCE（零参考深度曲线估计）或CycleGAN等图像增强模型以 30fps+ 的帧率运行，实现实时的“水下除障”。
2. 多模型并行：增强+识别同时跑
痛点：既要看清画面，又要识别鱼种，单任务芯片难以兼顾。RK3576 优势：凭借强大的异构架构，RK3576 可以同时运行两个 AI 任务：
Pipeline 1: 运行图像增强模型，实时去除水体浑浊。
- Pipeline 2: 运行 YOLOv5/v8 模型，在增强后的画面上识别鱼类并标注尺寸。 此外，手册提及该 NPU 甚至支持DeepSeek-7B等大模型 ，证明其处理复杂神经网络的能力绰绰有余。
3. 丰富的视频 I/O 接口
优势：板载2路 MIPI CSI接口 ，可直接连接星光级（Starvis）低照度摄像头传感器，减少转接带来的延迟。处理后的画面可通过HDMI 2.1输出至 4K 屏幕，让用户看清每一个水下细节。
系统架构与数据流 (System Architecture)
本方案构建了一个“采集-增强-检测-显示”的实时流水线。
拓扑逻辑
采集层：星光级水下摄像头 ->MIPI CSI接口 -> RK3576 ISP（进行基础白平衡与降噪）。
AI 增强层：ISP 输出的 NV12 图像 ->NPU (Model A)-> 运行UWGAN(Underwater GAN) 算法 -> 输出色彩还原、去雾后的图像。
AI 认知层：增强后的图像 ->NPU (Model B)-> 运行YOLOv8-> 输出鱼类坐标框与置信度。
交互层：
OSD 叠加：CPU 将识别框与水深信息绘制在视频层之上。
显示：合成画面 ->HDMI 2.1屏幕。
推荐软件栈
OS: Linux 6.1 (支持 NPU 驱动) 。
Inference: RKNN-Toolkit2 (Rockchip 官方推理工具链)。
Video: GStreamer (串联 ISP、NPU 与 Display 插件)。
关键技术实现 (Implementation)
1. RKNN 模型部署流程
要利用 NPU，首先需要将 PyTorch/TensorFlow 训练好的水下增强模型转换为.rknn格式。
Python
# PC端转换示例 (伪代码) from rknn.api import RKNN rknn = RKNN() # 加载训练好的 PyTorch 水下增强模型 rknn.load_pytorch(model='./underwater_enhance.pt', input_size_list=[[1, 3, 640, 640]]) # 构建 RKNN 模型，指定目标平台为 rk3576 rknn.build(target_platform='rk3576', rknn_batch_size=1) # 导出模型 rknn.export_rknn('./enhance_rk3576.rknn')2. 边缘端实时推理 (Python 示例)
在 RK3576 板端调用 NPU 进行推理。
Python
from rknnlite.api import RKNNLite import cv2 # 初始化 rknn_lite = RKNNLite() rknn_lite.load_rknn('./enhance_rk3576.rknn') rknn_lite.init_runtime(core_mask=RKNNLite.NPU_CORE_0) # 使用 NPU 核心 def process_video_stream(): cap = cv2.VideoCapture(0) # MIPI 相机 while True: ret, frame = cap.read() # 1. 图像增强推理 # NPU 处理耗时极短 (例如 <15ms) enhanced_frame = rknn_lite.inference(inputs=[frame])[0] # 2. (可选) 串行调用检测模型 # detection_results = rknn_yolo.inference(inputs=[enhanced_frame]) # 显示结果 cv2.imshow("AI Enhanced View", enhanced_frame)性能表现 (理论预估)
基于RK3576的6 TOPS算力 ：
图像增强：运行轻量级 U-Net 或 GAN 变体（输入分辨率 640x480），帧率预计可达30-50 FPS，延迟控制在30ms以内。
目标检测：运行 YOLOv5s，帧率可轻松超过60 FPS。
并发性能：双模型并发运行（增强+检测），综合帧率仍可维持在25 FPS以上，满足人眼流畅观看需求。
常见问题 (FAQ)
Q1: RK3576 发热大吗？需要风扇吗？
A:RK3576 是一款能效比优秀的 SoC，TDP 约为6W(参考同系列核心板 TDP 数据，手册中 RK3588 为 6W，RK3576 为 5W )。对于封闭的水下设备舱或手持终端，通常只需要大面积散热片或金属外壳导热即可，无需风扇。
Q2: 摄像头支持 4K 吗？
A:支持。MIPI CSI 接口带宽足够输入 4K 视频流，且 HDMI 2.1 接口支持最大 4K 分辨率输出 ，保证画质细腻。
Q3: 如何处理水下低照度噪点？A:除了 NPU 的 AI 降噪外，RK3576 内部集成的 ISP 也提供了基础的 2D/3D 降噪功能。建议先利用 ISP 进行硬件降噪，再输入 NPU 进行色彩恢复，效果最佳。
