四川人流图像识别模块研发

工业4.0就是无人作业的天下，各行各业都在进行无人化改造，农业领域也不例外。近年来随着政策的不断导向，我国已经成功建立了31个无人农业作业实验区。这些无人农业作业试验区覆盖水稻、玉米、小米等14种作物，累计投入智能农机和系统62万台(套)，智能化作业面积达到1.7亿亩。综合抽样统计，作业效率提升60%、人工减少50%、土地利用率在95%以上。这些无人农业区利用无人机、无人车进行作物的播撒、浇灌、施肥等一系列操作，而无人设备要想实现这些功能要么是人工的远程精细操控，要么就是靠图像处理来实现完全的自动化。后者通过在无人设备上加装高性能的AI图像处理板，这些图像处理板在算法的赋能下，能够实现精细的目标识别和检测，例如无人机，在无人机上安装慧视光电推出的微型双光吊舱，吊舱内置图像处理板，无人机在起飞后能够自动识别哪些是作物哪些是其他物体。野外摄像头拍野生动物可以加装慧视AI板卡。四川人流图像识别模块研发

激光除草是通过激光照射杂草，使草叶内部细胞脱水破裂死亡的物理靶向除草方法。哈工大机器人实验室与华工科技合作研发的全天候智能激光除草机器人集成深度学习的人工智能技术，AI智能识别杂草，十分高效；同时针对性开发先进的多目标靶点定位及动态时延误差补偿算法，不仅能够准确高效识别杂草和高精度定位目标分生组织，同时不损伤作物、不污染土壤、不耗费人力，而且适应性强，生产效率高，促进农业经济高质量发展。激光除草模式中AI智能识别是很关键的一环，需要机器人正确识别杂草，而这基于AI的深度学习、目标识别检测等功能，通过不断的训练学习，AI能够精细识别什么是杂草什么是作物。目前，市面上比较好用的AI深度学习平台众多，例如成都慧视推出的SpeedDP深度学习算法开发平台，就能够通过大量的数据部署，再经过长时间的训练，就能够实现跟人眼一样的目标识别能力。山西人脸识别图像识别模块AI智能工程师以RV1126核心板为基础进行定制开发，让摄像头更加智能高效，能够输出高清流的图像视频。

要解决这个难题，慧视光电的算法工程师给出了小目标识别算法的方案，通过加强目标特征、数据增广、放大输入图像、使用高分辨率的特征、设计合适的标签分配方法，以让小目标有更多的正样本、利用小目标所处的环境信息或者其他容易检测的物体之间的关系来辅助小目标的检测。此外，利用自研的深度学习算法开发平台，通过不断的深度学习，能够让AI更加精细的识别目标。这个方法在瑞芯微RK3588、RV1126、RK3399pro等系列图像跟踪板上得到了较好地验证。因此，将这个算法用在无人机高空识别领域，完全能够弥补传统算法的不足，达到更加稳定锁定跟踪的目的。

人脸识别始于20世纪60年代，随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，以美国、日本和德国的技术为主。随着人工智能的发展以及处理的快速迭代更新，人脸识别技术也获得了很大的突破，同时人脸识别也是生物特征的应用。其技术的实现，展现了弱人工智能向强人工智能的转化。总的来说，人脸识别的原理是收集用户的面部数据存入数据库，然后进行机器学习，通过采集需要解锁对象的面部数据，放进数据库进行比对，然后完成解锁。慧视RK3588板卡可以用于大型公共停车场。

慧视VIZ-YWT201微型双光吊舱集成集成可见光摄像机、红外热像仪等传感器，能够实现昼夜成像，内置成都慧视自研全国产化RV1126图像跟踪板，搭载自研AI跟踪算法，重量只有280g。能够对地面车辆、人员等目标进行昼夜观察、识别、捕获和跟踪，上报目标的图像及坐标信息。慧视VIZ-YWT202微型双可见光吊舱集成宽窄视场2路可见光摄像机，重量小于260g，采用金属外壳，抗冲击力强，具有功耗低、陀螺稳定、小体积、轻重量的优点。慧视VIZ-GT05V微型三轴双可见光惯性稳定吊舱搭载一颗千万级可见光CMOS传感器和一颗星光级可见光CMOS传感器，具备大小两个视场角，能够实时输出1080P的高清可见光视频，可实现夜间微弱光线下的目标观测。可应用于微小型无人飞行器、无人车、无人艇和其他无人观测设备，进行警务执法、电力巡检、安保巡视、救援搜索、消防救火等任务。RK3588图像处理板是工业级别的。陕西RV1126主板图像识别模块高性能主板

无人机小吊舱可以采用慧视图像处理板实现远程目标锁定。四川人流图像识别模块研发

深度学习是机器学习的一个分支，只在近十年内才得到广泛的关注与发展。它与机器学习不同的，它模拟我们人类自己去识别人脸的思路。比如，神经学家发现了我们人类在认识一个东西、观察一个东西的时候，边缘检测类的神经元先反应比较大，也就是说我们看物体的时候永远都是先观察到边缘。就这样，经过科学家大量的观察与实验，总结出人眼识别的模式是基于特殊层级的抓取，从一个简单的层级到一个复杂的层级，这个层级的转变是有一个抽象迭代的过程的。深度学习就模拟了我们人类去观测物体这样一种方式，首先拿到互联网上海量的数据，拿到以后才有海量样本，把海量样本抓取过来做训练，抓取到重要特征，建立一个网络，因为深度学习就是建立一个多层的神经网络，肯定有很多层。有些简单的算法可能只有四五层，但是有些复杂的，像刚才讲的谷歌的，里面有一百多层。当然这其中有的层会去做一些数学计算，有的层会做图像预算，一般随着层级往下，特征会越来越抽象。四川人流图像识别模块研发