探索智能化远程控制的未来 一 贝锐向日葵与 OpenVINO™ 共启技术革新

贝锐向日葵携手OpenVINO™工具套件以及英特尔新一代酷睿Ultra处理器，这种软硬件协同的方法将远程连接进一步专业化，为更多企业级用户带来更加便捷、高效、智能的远程控制解决方案。

贝锐向日葵的远程控制系统中，图像识别功能是提高远程操作精确性和效率的关键技术，其远程控制中使用OpenVINO™加速推理的流程如下图所示，通过一系列的系统化步骤展开。

通过利用英特尔的OpenVINO™工具套件，贝锐向日葵能够显著优化其远程图像识别中的目标检测和光学字符识别（OCR）模型。

当Sunlogin客户端（控制端）发起一个远程控制请求时，首先会在成功验证后与Sunlogin远端（被控制端）建立连接。连接建立后，Sunlogin客户端会由OpenVINO™提供的设备查询功能，查询OpenVINO™以获取可用设备列表，选择最佳设备。然后初始化OpenVINO™模块，并加载Sunlogin预先训练好的的深度学习模型，进行模型编译。OpenVINO™专为加速深度学习模型的推理和部署而设计，因此，在模型加载和编译的过程中，可以利用OpenVINO™提供的模型优化工具进行模型转换，从而可显著减小模型大小，同时在之后的推理中提升推理速度。

当来自被控端的视频流被接收时，它会被解码并转换为JPG图像。这些图像随后被预处理以适应推理任务。预处理后的图像被发送到OpenVINO™模块进行加速推理。在这里，目标检测模型的推理加速可使该模型能够更快地识别远程视频流中的关键对象，而OCR模型则能更迅速准确地转换图像中的文字信息。这样的技术进步不仅提高了远程操作的响应速度，也优化了数据处理过程，从而增强了整体的系统性能和用户体验。因此，这一步可以高效地执行推理任务所需的计算。

OpenVINO™的另一个重要特点是其支持跨平台的模型部署能力，无需重写大量代码，可以实现深度学习模型的无缝迁移，特别是针对新一代酷睿Ultra处理器中的NPU（神经处理单元）的支持。在这里，贝锐向日葵可以将轻松将这些优化过的深度学习模型部署到不同的硬件上。特别是，目标检测模型可以部署在NPU上运行，这样做可以利用NPU的高效能低功耗特性，实现更高效的实时推理，同时大大降低了系统的总体能耗。同时，OCR模型则部署在CPU上，利用其高性能的特点来处理大量的图像数据。同时，酷睿Ultra处理器中携带的集成显卡iGPU其强大的图形渲染能力，还可以为远程控制操作提供更加高清的图像画质，方便IT人员进行更为精准的远程操控。这种硬件的优化部署不仅提高了远程控制系统的性能，也使得系统能够在保持高效率的同时，降低能耗和成本，更好地适应不同的应用场景和需求。

推理完成后，OpenVINO™提供了一组目标检测及OCR字符识别后的结果，然后Sunlogin客户端使用OpenCV的dnn模块对结果集进行后处理，以提取最优结果。以上整个过程展示了如何将强大的AI工具如OpenVINO™工具套件集成到现有的远程控制软件中，通过使用优化的模型进行更快、更高效的推理，从而改善远程操作的整体用户体验。