智慧安防AI智能方案**

随着无人机在城市管理领域的大规模应用，采用无人机追踪地面车辆，然后配合地面拦截，成为一道风景线。让无人机搭载光电吊舱起飞，就能够通过无人机实现视频实时传输，远距离追踪车辆，实时上传记录位置，帮助地面执勤提升拦截效率。慧视VIZ-YWT201微型双光吊舱，集成了可见光摄像机、红外热像仪等传感器，能够对地面车辆进行昼夜观察、识别、捕获和跟踪，并及时上报目标的图像和坐标信息。除此之外，无人机还可以实现智能化追踪。通过在无人机光电吊舱中植入高性能的AI图像处理板，这些板卡在目标跟踪算法的赋能下，就能够对目标车辆进行锁定跟踪，即便是车辆短时间内收到视野阻挡，在车辆后续出现时，也能够立即锁定。这就是成都慧视开发的Viztra-HE030图像处理板。该板卡采用了瑞芯微高性能芯片RK3588，八核处理器能够输出6.0TOPS算力，可实时对目标进行识别或者人为的的锁定，同时可以根据输出目标的靶量信息，对目标进行实时跟踪。AI算法能够帮助进行空中哨兵建设。智慧安防AI智能方案**

这个过程中，如何让无人机理解并提取分析图像很关键，这就需要高精尖的目标识别算法。成都慧视开发的AI智能算法分析是一种计算机的“分析”和“识别”技术，是一种计算机“视觉”科技，也就是把摄像机当作人的“眼睛”，智能设备终端作为人的“大脑”，让视频系统具有人一样的判断危险或者其他特殊情况发生的能力。图像处理板和这样的目标识别算法的合力之下，就可实时对目标进行识别或者人为的的锁定，同时可以根据输出目标的靶量信息，对目标进行实时跟踪。这就是无人机实现智能识别的一种高效方法，通过实时的目标识别处理无人机获取的数据，让无人机的工作更加高效。异物监测AI智能图像处理板用SpeedDP进行图像标注可以省下许多人力成本。

IDEA研究院团队推出了GroundingDINO  1.5，它能够实现端侧实时识别。在图像和文本的语义理解上表现出色，能够快速、准确地根据语言提示检测和识别图像中的目标对象。作为当前性能比较好的开集检测模型，GroundingDINO  1.5Pro可以帮助构建海量的具有物体级别语义信息的多模态数据，从而有效地助力多模态大模型的训练。它可以将长文本描述中的短语与图像中的具体对象或场景精确匹配，以增强AI对视觉内容和文本之间关系的理解。目前，成都慧视利用AI图像处理板和YOLO算法来实现对物体的实时监测，其中，开发的Viztra-HE030图像处理板采用了瑞芯微全新一代高性能芯片RK3588，拥有四大四小八核处理器，算力水平能够达到6.0TOPS，在我司定制多种视频接口后，可实时对目标进行识别或者人为的的锁定，同时可以根据输出目标的靶量信息，对目标进行实时跟踪。

无人机搭载如光电吊舱等带有摄像头的设备后，达到了实现智能识别的硬件条件，但是传统的摄像头只能获取图像，并不具备AI识别的功能。无人机AI识别算法的关键还是在于模仿人眼一样进行视觉处理，然后AI进行智能提取和分析图像，再和训练模型进行快速比对，从而在无人机快速飞行的过程中做到实时目标识别。要想实现目标识别需要的硬件支持就是AI图像处理板。图像处理板通过算法的赋能，就能够对目标区域的物体进行AI识别分析，从而做出判断。由于无人机作业的环境复杂，因此对于图像处理板的要求需要进一步提升。成都慧视开发的Viztra-HE030图像处理板，采用了工业级芯片RK3588，采用先进架构，8核（4大4小）处理，算力能够达到6.0TOPS。同时，慧视光电能够根据需求环境定制丰富的输出接口。人工智能和机器学习算法可用于分析来自各种来源的大量数据。

慧视光电开发的Viztra-HE030图像处理板采用了工业级芯片RK3588，内部植入公司自主研发的智能图像算法，架构更先进，核心数8核（4大4小），算力6.0TOPS，支持丰富的输出接口，同时支持H264、H265两类视频编码。可实时对目标进行识别或者人为的的锁定，同时可以根据输出目标的靶量信息，对目标进行实时跟踪。这是达成目的的硬件条件。在算法领域，则需要一些特殊的算法。无人机执行任务时飞在高空，地面的物体就会显得较小，小目标通常指图像中像素面积小于32*32的物体，一般的AI算法难以实现精细锁定跟踪。媒体人被认为是被ChatGPT取代的高危职业之一。重庆视频识别AI智能供应商

SpeedDP图像标注操作流程很简便。智慧安防AI智能方案**

YOLO系列算法是目标识别领域很重要的技术之一，因为性能强大、消耗算力较少，一直以来都是实时目标检测领域的主要范式。该框架被***用于各种实际应用，包括自动驾驶、监控和物流等行业的目标识别。自今年2月YOLOv9发布以后，近期，清华又推出了YOLOv10，作为计算机视觉领域的突破性框架，具备实时的端到端目标检测能力，通过提供结合效率和准确性的强大解决方案，延续了YOLO系列的传统。据悉，YOLOv10在各种模型规模上都实现了SOTA性能和效率。例如，YOLOv10-S在COCO上的类似AP下比RT-DETR-R18快1.8倍，同时参数数量和FLOP大幅减少。与YOLOv9-C相比，在性能相同的情况下，YOLOv10-B的延迟减少了46%，参数减少了25%。智慧安防AI智能方案**