一、毕设的痛点

毕设选型的真正困境不是"哪个平台参数更好"，而是——预算就这么多，怎么用小钱办一件大事。

• 第一个，钱。 有专业画质又有AI算力的硬件，树莓派没NPU，Jetson上千块，ESP32-CAM便宜但做不了AI。你需要的那个价位，刚好是个空白地带。

• 第二个，环境。 国产开发板的SDK往往是个压缩包。交叉编译工具链配一周，依赖冲突再来一周——第一帧画面还没看到，时间已经没了。

• 第三个，模型。 你会用Colab训YOLO，但从PyTorch到板子上能跑的.bin，中间要过ONNX→INT8量化→NPU编译。学校没教，教程碎片化，训三天、部署两周。

三个痛点指向同一个结论：在有限的预算和时间内，需要的不只是一块好板子，而是一条确定能走通的路。

二、推荐方向

选题是之后的另一个坎。题目太简单，老师觉得工作量不够。太难，怕做不完。太偏软件，不如纯算法方向的同学有竞争力。太偏硬件，调板子的时间比写论文还长。

可以尝试一个方向：做一台带AI检测的摄像头。

为什么这个方向值得考虑——

实用性强。 一台能自动检测人形、自动报警、自动推流到手机的摄像头，不是玩具——它就是一个能实际运转的智能设备。答辩的时候把它放桌上，人走过去自动画框，比PPT上跑几个Benchmark表有说服力得多。

• 技术栈广。 一个完整的AI摄像头项目贯穿了嵌入式Linux、图像传感器原理、ISP成像管线、NPU推理部署、视频编码与网络传输——论文里每一章都有实际内容可写。对电子信息、自动化、物联网专业的学生来说，这些模块直接对应就业市场的核心技能树。

• 方向灵活。 安防监控、门禁考勤、停车管理、消防预警、人流统计——你可以根据专业背景选最顺手的切入点，不需要从零定义应用场景。

• 门槛可控。 你不用从零发明摄像头。你做的是系统集成和应用层——一块开发板、一颗Sensor、一个检测模型、一套业务逻辑。相比纯算法方向不需要卷SOTA精度，相比纯硬件方向不需要画PCB。

三、解题思路

回到开头那三个痛点。钱、环境、模型——它们的共同根源是：市面上没有一块在百元价位、同时把ISP和AI做好、而且软件环境拿来就能跑通的板子。

所以解题思路不是"多花点钱买更好的硬件"，也不是"再多花两周配环境"。而是找到一个在预算内能同时解决这三个问题的平台——它得自带AI ISP（专业画质不依赖摄像头模组本身的ISP），自带NPU（AI推理不靠CPU硬算），自带训练好的模型（加载即用），自带能跑通的sample（不用配环境）。

ShiMetaPi Pico-G1就是这个思路的答案。

Pico-G1基于国科微GK7206V1系列芯片。根据ShiMeta官方产品文档，核心参数如下[1]：

重点讲ISP。市面上绝大多数百元级开发板没有硬件ISP。树莓派接USB摄像头，画质靠几十块的摄像头模组自研ISP处理——光线充足时还行，暗光下基本无能为力。Pico-G1搭载的AI ISP在这条固定硬件流水线的基础上，在关键节点引入了深度学习模块。

最关键的一个节点在Bayer Raw域。Bayer Raw是Sensor输出的最原始数据——每个像素只有R/G/B中的一个分量，尚未经过任何ISP处理。传统ISP的模块排列顺序是：Demosaic（把R/G/B插值为完整RGB）→白平衡→色彩校正→降噪。降噪排在最后——它面对的数据已经被Demosaic插值和白平衡增益"污染"过，噪声从原始的泊松+高斯混合分布变成了三个通道互相耦合的非线性分布。暗光场景中，这种"先污染后清洗"的策略很难维持彩色输出的信噪比。

AI ISP把这个顺序倒过来了。Pico-G1的AI_NR模块在Bayer Raw域——信息最完整、噪声分布最规整的阶段——用深度学习做降噪，处理完毕的干净Raw数据再送入硬件ISP完成后续流程。这不是"早做还是晚做"的习惯问题，这是信息不可逆丧失的物理约束。

四、以黑光全彩为例，拆解AI ISP的底层逻辑

黑光全彩是检验AI ISP能力的最极端场景。环境照度0.0001 Lux——比星光还暗一个数量级——Sensor接收到的光子数逼近读出噪声量级，传统方案被迫切换红外模式、打开补光灯、输出黑白画面。

但AI_NR换了个位置打。根据AI_NR技术文档[2]，AI_NR的核心架构是"大模型蒸馏+小模型微调"：在云端用海量Sensor噪声样本训练一个通用降噪大模型（Teacher），充分学习各类噪声的统计分布规律；然后将这些知识蒸馏到一个轻量端侧模型（Student）中，在NPU上实时运行。这种策略让轻量模型继承了通用大模型的降噪能力，同时保持了端侧可运行的计算量级。

具体到Pico-G1上，AI_NR消耗NPU约0.5T算力，支持4M分辨率@15fps实时处理。信噪比提升8dB+，在0.0001 Lux极暗环境下输出彩色画面，无需红外补光灯。其余0.5T NPU可并行运行人形检测、人脸识别等AI推理——夜间彩色画面和AI检测同时在线。

AI_NR的完整部署流程包含六个阶段[2]：数据预处理（采集及蒸馏生成Noisy-Clean训练数据对）→浮点模型微调（两阶段训练，建议60+ epoch）→浮点推理验证→量化模型微调（INT8量化）→量化推理验证→TVM编译部署为.xmm模型文件。这条工具链的核心价值在于可复现、可量产——不是"拿着默认模型用"的封闭方案，开发者可以针对自己的Sensor重新走完整条链路。

不只能做黑光。2F-WDR双帧合成在隧道口和逆光场景避免过曝和死黑，3DNR利用时域信息在视频流中抑制随机噪声，LDC校正广角镜头的桶形畸变——这些模块和AI_NR共享同一个NPU引擎。Pico-G1的产品文档[1]明确将其定位为"助力客户实现低成本黑光解决方案"，同时覆盖单目枪机、球机、双目枪球、长短焦、广角拼接等多种产品形态。理解AI ISP最好的方式不是把它看作一个"夜间增强功能"，而是看作所有视觉任务的底层画质基准。

五、配套训练平台即将上线

内置模型够不够用，是一个自然的疑问。Pico-G1的SVP框架提供了8个已训练模型——人形、人脸、车辆、宠物、烟火、包裹、人头、非机动车检测，加载即用，每个都能独立撑起一个方向。如果这些模型覆盖了你的场景，不需要碰训练代码。

但如果你想做更定制的事，即将开放的云端NPU微调平台把模型部署链路由手动变成自动：上传少量标注图片，云端完成训练、量化、编译，下载.bin文件拷到板子上直接跑。不需要手动处理ONNX兼容性、量化精度损失、NPU算子适配。

AI摄像头是一个值得认真考虑的毕设方向。过去被钱、环境和模型部署挡着，现在三个门槛各有一个解法。了解更多产品详情及SDK文档，请关注ShiMetaPi官方渠道。

---

参考资料：

[1] ShiMeta-Pico-G1芯片与硬件平台介绍文档（01 芯片与硬件平台介绍.docx），ShiMeta官方产品文档

[2] AI降噪（AI_NR）技术文档（04 AI降噪 (AI_NR).docx），ShiMeta官方技术文档。