近年来，伴随着深度神经网络特征学习能力的不断提升，采用深度学习技术 的目标检测算法在计算复杂度上越来越高，由此催生出了专用的 AI 计算芯片。 如 Nvidia 的 GPU、Google 的 TPU 等相继涌现，它们具有较强的计算能力和良好 的开发环境，可便捷地进行相应项目的开发。然而，在当前国际局势复杂多变， 国外先进技术对我国逐步封锁和关键领域“卡脖子”的情况下，基于国外 AI 芯 片开发的目标检测应用，在安全性、可持续性和稳定性等方面都存在不可预知的 隐患。因此，开展基于国产 AI 芯片的目标检测算法研究，探索推进基于国产芯 片 AI 项目的应用，意义重大且迫在眉睫。

1. 本文通过国内AI芯片的梳理和对比分析，从性能、功耗和扩展性等方面， 以海思的 Hi3559AV100 芯片为基础，进行了平台的总体设计与部署、系统配置 与管理、开发环境搭建与集成等研究工作，形成了一套通用的基于该国产芯片的 自主可控、稳定可靠和安全高效的智能化系统平台。
2. 在基于该国产 AI 芯片的智能处理平台上，对基于深度神经网络的目标检 测算法进行了部署研究。对比选取了两阶段网络模型中典型的 R-FCN 和单阶段 网络模型中的 YOLOv3，并根据其各自的算法特点与部署实现的需求，在该智能 平台的有限资源下，进行了算法优化、算法模型与开发环境协同的模型转换、算 法与平台资源的协同设计等研究。在设计的单芯片并行处理架构下，提高了目标 检测算法在智能处理平台上的检测帧率。最后，通过公开的数据集，对部署后的 两种网络模型进行了对比测试，验证了基于国产 AI 芯片所开发智能处理平台的 有效性与通用适应性。
3. 针对智能处理平台在实际应用中的可靠性和实时性，进行了验证和优化。 在具体的无人机检测项目中，通过结合自建的无人机数据集和 Hi3559AV100 中 神经网络推理的专用硬件单元 NNIE，采用聚类和集成剪枝的方法，对选用的 YOLOv3-tiny 网络进行了优化，在保证算法精度的同时，缩减了模型的尺寸大小， 提高了网络在智能平台上的推理速度。最终，在实际的项目中实现了无人机的目 标检测，满足了项目的应用需求。

       综上，针对 AI 技术日益广泛的应用，其大量数据处理能力的需求对处理平 台提出了极高的要求，因而很大程度地依赖于国外芯片平台，但由于国外技术的 封锁与“卡脖子”使得国外芯片平台风险很大，对此进行了基于国产芯片智能处 理平台的研究、智能平台目标检测算法部署的研究及应用项目的研究，形成了相 应的智能处理平台与算法部署方案，通过相关实验验证了基于国产芯片进行智能 技术研究应用的有效性。