無人機在農業領域能夠實現高效率的施肥、播種等操作。但是不同的作業環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適用，在高原地區就不行。因此針對于特殊作業環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環境特點的性能要求。不比平原的一馬平川，高原由于環境復雜，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，并能夠實現避障。Viztra-LE034圖像處理板識別概率超過85%。省時省力目標跟蹤產品

自動化的視頻跟蹤系統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換為數字視頻信號，該轉換的輸出的數字圖像一方面在計算機CRT上顯示，同時傳送至內存進行目標檢測或跟蹤(根據需要可同時進行硬盤錄像)，計算機根據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議卡和雙絞線電纜和攝像機的云臺接口來完成的。監視和跟蹤系統的啟動可以是人工的，也可以由系統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實現晝夜成像。

YOLO單卷積神經網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量。成群出現的小物件，如鳥類，對于此模型也同樣有問題。fasterR-CNN，一個由全深度CNN組成的單一統一對象識別網絡，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域方案微調之間交替的訓練方法，使得統一的、基于深度學習的目標識別系統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，開發了一個深度學習算法開發平臺SpeedDP。它的基本邏輯是基于一個手動標注一定量的數據集進行訓練，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據集（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據集的手動拉框工作，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自動化的數據分析，實現降本增效。

當兩個圖像之間還有旋轉或比例變化時，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：處理的數據量不斷減少、可能匹配的數目少于互相關方法和受照度、幾何的變化影響較小的優點。根據具體的振動情況，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。工業目標跟蹤產品

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生變化還是發生遮擋。所以，處理遮擋問題的通用方法是用線性或非線性動態建模方法對運動目標進行，并在目標發生遮擋時，預測目標的可能位置，一直到目標重新出現時再修正它的位置。可以用卡爾曼濾波器來實現估計目標的位置，也可以用粒子濾波對目標做狀態估計。省時省力目標跟蹤產品