無人機在農(nóng)業(yè)領域能夠?qū)崿F(xiàn)高效率的施肥、播種等操作。但是不同的作業(yè)環(huán)境對于無人機的工作性能要求不一樣，同樣的方案在平原地區(qū)適用，在高原地區(qū)就不行。因此針對于特殊作業(yè)環(huán)境需要制定不同的智慧化方案。像青藏高原這樣地貌復雜、低氣壓、大溫差的特點，參與智能化工作的各個部件需要符合這樣作業(yè)環(huán)境特點的性能要求。不比平原的一馬平川，高原由于環(huán)境復雜，地形起伏對于無人機的飛行也需要進行控制，無論是高度還是速度甚至距離都需要進行嚴格限制，防止出現(xiàn)撞機等事故。因此，這個方面的智慧化建設就需要無人機具備智能避障的功能，無人機需要在高速度或者遠距離的情況下識別樹木、電線桿、石頭等障礙物，并能夠?qū)崿F(xiàn)避障。Viztra-LE034圖像處理板識別概率超過85%。省時省力目標跟蹤產(chǎn)品

自動化的視頻跟蹤系統(tǒng)的工作流程一般是攝像機的模擬信號通過視頻電纜傳送至計算機，計算機通過視頻采集卡將模擬視頻信號轉(zhuǎn)換為數(shù)字視頻信號，該轉(zhuǎn)換的輸出的數(shù)字圖像一方面在計算機CRT上顯示，同時傳送至內(nèi)存進行目標檢測或跟蹤(根據(jù)需要可同時進行硬盤錄像)，計算機根據(jù)算法的運算結果來控制攝像機的云臺，這個控制過程是通過通訊協(xié)議卡和雙絞線電纜和攝像機的云臺接口來完成的。監(jiān)視和跟蹤系統(tǒng)的啟動可以是人工的，也可以由系統(tǒng)的報警輸入設備啟動。高性能的圖像卡一般自帶顯卡，能夠避免廉價的多媒體卡長時間地、連續(xù)地通過總線傳送到計算機的顯存而帶來的死屏、CPU的占用及總線的占用等問題。什么目標跟蹤功效慧視微型雙光吊艙能夠?qū)崿F(xiàn)晝夜成像。

YOLO單卷積神經(jīng)網(wǎng)絡在一次評價中直接從全圖中預測多個boundingboxes和類概率，在全圖上訓練并直接優(yōu)化檢測性能，同時學習目標的泛化表示。然而，YOLO對邊界框預測施加了嚴格的空間約束，限制了模型可以預測的相鄰項目的數(shù)量。成群出現(xiàn)的小物件，如鳥類，對于此模型也同樣有問題。fasterR-CNN，一個由全深度CNN組成的單一統(tǒng)一對象識別網(wǎng)絡，提高了檢測的準確性和效率，同時減少了計算開銷。該模型集成了一種在區(qū)域方案微調(diào)之間交替的訓練方法，使得統(tǒng)一的、基于深度學習的目標識別系統(tǒng)能夠以接近實時的幀率運行，然后在保持固定目標的同時微調(diào)目標檢測。

長時間一直進行這樣的圖像標注工作，那無疑是枯燥而乏味的，手酸不說，更多的是精神上的折磨，進而效率大打折扣。但這又是算法提升的必要途徑，無法跳過，當項目緊急時，甚至需要多人加班加點趕進度。這樣的痛苦現(xiàn)狀急需改變！慧視光電的算法工程師為了提高這一的效率，開發(fā)了一個深度學習算法開發(fā)平臺SpeedDP。它的基本邏輯是基于一個手動標注一定量的數(shù)據(jù)集進行訓練，形成一個可用的預選模型（如果已有模型可以直接使用），然后訓練一定階段后，可以評估此模型的能力，如果能夠滿足使用就可以對相同目標的新數(shù)據(jù)集（未進行任何標注）進行AI自動化標注。這一過程的省去了大量需要對新數(shù)據(jù)集的手動拉框工作，同時也在不斷反哺此模型算法，幫助提升性能。智能化的圖像處理板還可以實現(xiàn)自動化的數(shù)據(jù)分析，實現(xiàn)降本增效。

當兩個圖像之間還有旋轉(zhuǎn)或比例變化時，往往使用基于控制點的方法進行圖像配準。所謂特征點匹配就是在一幀圖像中尋找具有不變性質(zhì)的結構—特征點，例如，灰度局部極大值、局部邊緣、角等，與另一幀圖像中的同類特征點作匹配，從而求得該兩幀圖像之間的變換關系。從現(xiàn)實的觀點看，在全部特征點中，只有部分能得到正確的匹配，這是因為特征點尋找算法并非完美無缺。特征點匹配方法具有：處理的數(shù)據(jù)量不斷減少、可能匹配的數(shù)目少于互相關方法和受照度、幾何的變化影響較小的優(yōu)點。根據(jù)具體的振動情況，選擇合適的特征點和速度較快的匹配策略是該任務研究的重點。目前的研究工作都致力于圖像間的自動配準，如直接相關匹配，基于圖像分割技術的配準，利用封閉輪廓的形心作為控制點的配準等。RV1126圖像處理板的目標識別能力突出。工業(yè)目標跟蹤產(chǎn)品

慧視RK3399板卡可以用于大型公共停車場。省時省力目標跟蹤產(chǎn)品

通常，遮擋可以分為三種情況：目標間遮擋、背景遮擋、自遮擋。對于目標之間的相互遮擋，可以選擇根據(jù)目標的位置和目標特征的先驗知識來處理這一問題。而對于場景結構的導致的部分遮擋此方法則難以判斷，因為難以辨認究竟是目標形狀發(fā)生變化還是發(fā)生遮擋。所以，處理遮擋問題的通用方法是用線性或非線性動態(tài)建模方法對運動目標進行，并在目標發(fā)生遮擋時，預測目標的可能位置，一直到目標重新出現(xiàn)時再修正它的位置?？梢杂每柭鼮V波器來實現(xiàn)估計目標的位置，也可以用粒子濾波對目標做狀態(tài)估計。省時省力目標跟蹤產(chǎn)品