无人机在农业领域能够实现高效率的施肥、播种等操作。但是不同的作业环境对于无人机的工作性能要求不一样，同样的方案在平原地区适用，在高原地区就不行。因此针对于特殊作业环境需要制定不同的智慧化方案。像青藏高原这样地貌复杂、低气压、大温差的特点，参与智能化工作的各个部件需要符合这样作业环境特点的性能要求。不比平原的一马平川，高原由于环境复杂，地形起伏对于无人机的飞行也需要进行控制，无论是高度还是速度甚至距离都需要进行严格限制，防止出现撞机等事故。因此，这个方面的智慧化建设就需要无人机具备智能避障的功能，无人机需要在高速度或者远距离的情况下识别树木、电线杆、石头等障碍物，并能够实现避障。Viztra-LE034图像处理板识别概率超过85%。省时省力目标跟踪产品

自动化的视频跟踪系统的工作流程一般是摄像机的模拟信号通过视频电缆传送至计算机，计算机通过视频采集卡将模拟视频信号转换为数字视频信号，该转换的输出的数字图像一方面在计算机CRT上显示，同时传送至内存进行目标检测或跟踪(根据需要可同时进行硬盘录像)，计算机根据算法的运算结果来控制摄像机的云台，这个控制过程是通过通讯协议卡和双绞线电缆和摄像机的云台接口来完成的。监视和跟踪系统的启动可以是人工的，也可以由系统的报警输入设备启动。高性能的图像卡一般自带显卡，能够避免廉价的多媒体卡长时间地、连续地通过总线传送到计算机的显存而带来的死屏、CPU的占用及总线的占用等问题。什么目标跟踪功效慧视微型双光吊舱能够实现昼夜成像。

YOLO单卷积神经网络在一次评价中直接从全图中预测多个boundingboxes和类概率，在全图上训练并直接优化检测性能，同时学习目标的泛化表示。然而，YOLO对边界框预测施加了严格的空间约束，限制了模型可以预测的相邻项目的数量。成群出现的小物件，如鸟类，对于此模型也同样有问题。fasterR-CNN，一个由全深度CNN组成的单一统一对象识别网络，提高了检测的准确性和效率，同时减少了计算开销。该模型集成了一种在区域方案微调之间交替的训练方法，使得统一的、基于深度学习的目标识别系统能够以接近实时的帧率运行，然后在保持固定目标的同时微调目标检测。

长时间一直进行这样的图像标注工作，那无疑是枯燥而乏味的，手酸不说，更多的是精神上的折磨，进而效率大打折扣。但这又是算法提升的必要途径，无法跳过，当项目紧急时，甚至需要多人加班加点赶进度。这样的痛苦现状急需改变！慧视光电的算法工程师为了提高这一的效率，开发了一个深度学习算法开发平台SpeedDP。它的基本逻辑是基于一个手动标注一定量的数据集进行训练，形成一个可用的预选模型（如果已有模型可以直接使用），然后训练一定阶段后，可以评估此模型的能力，如果能够满足使用就可以对相同目标的新数据集（未进行任何标注）进行AI自动化标注。这一过程的省去了大量需要对新数据集的手动拉框工作，同时也在不断反哺此模型算法，帮助提升性能。智能化的图像处理板还可以实现自动化的数据分析，实现降本增效。

当两个图像之间还有旋转或比例变化时，往往使用基于控制点的方法进行图像配准。所谓特征点匹配就是在一帧图像中寻找具有不变性质的结构—特征点，例如，灰度局部极大值、局部边缘、角等，与另一帧图像中的同类特征点作匹配，从而求得该两帧图像之间的变换关系。从现实的观点看，在全部特征点中，只有部分能得到正确的匹配，这是因为特征点寻找算法并非完美无缺。特征点匹配方法具有：处理的数据量不断减少、可能匹配的数目少于互相关方法和受照度、几何的变化影响较小的优点。根据具体的振动情况，选择合适的特征点和速度较快的匹配策略是该任务研究的重点。目前的研究工作都致力于图像间的自动配准，如直接相关匹配，基于图像分割技术的配准，利用封闭轮廓的形心作为控制点的配准等。RV1126图像处理板的目标识别能力突出。工业目标跟踪产品

慧视RK3399板卡可以用于大型公共停车场。省时省力目标跟踪产品

通常，遮挡可以分为三种情况：目标间遮挡、背景遮挡、自遮挡。对于目标之间的相互遮挡，可以选择根据目标的位置和目标特征的先验知识来处理这一问题。而对于场景结构的导致的部分遮挡此方法则难以判断，因为难以辨认究竟是目标形状发生变化还是发生遮挡。所以，处理遮挡问题的通用方法是用线性或非线性动态建模方法对运动目标进行，并在目标发生遮挡时，预测目标的可能位置，一直到目标重新出现时再修正它的位置。可以用卡尔曼滤波器来实现估计目标的位置，也可以用粒子滤波对目标做状态估计。省时省力目标跟踪产品