背景分析

AI相機可以用在沒有網絡通信或在4G流量卡通信的場景，這是一種離散式部署。然而AI相機與普通相機相比，

價格較高且技術發展不成熟。在水利農業領域中，對于河道漂浮物識別、人車識別等模型沒有成熟的數據，

需要我們自己訓練，但是AI相機數據抓取采集、數據管理方面存在挑戰，這就造成在實際應用中對專屬模型

訓練的困難。另外AI相機沒有完善的云平臺管理機制，當設備安裝到現場后，隨著數據的增多數據管理不易 。

設計思路

實施方案

利用現場邊緣計算云盒所接的攝像頭采集現場圖片數據，也可以直接在云平臺對圖片進行上傳，然后對圖片進行

標注并保存成數據集，我們在深度學習框架yolov5預置的預訓練的模型yolov5s的基礎上，以R3588的NPU為硬件

基礎，使用采集到的數據集對模型進行迭代優化，生成定制化的人車模型，進而放在模型庫以備后面使用。

AI智能云盒子：

選擇EC-R3588SPC智能工業主機作為AI智能盒設備。這款設備配備了八核64位處理器，支持多種操作系統，如

Linux、Windows等。

除此之外，它還具有強大的計算能力和豐富的接口，能夠滿足多種應用場景下的需求，為我們的河道監控系統

提供穩定可靠的硬件支持。

攝像頭：

現場采用普通能聯網的攝像頭即可。

我們的硬件平臺基于具備NPU的神經處理單元，在OpenCV等計算機視覺庫上，利用識別算法對視頻流的圖像進行

提取。然后，將這些圖像傳遞給我們定制的模型進行推理預測，從而檢測視頻中的人物、垃圾、車輛等數據，

并生成新的視頻流進行推送。同時，我們還會將檢測到的數據發送到服務器端進行存儲。

模型訓練：

完成了人車模型訓練。將采集到的數據保存成數據集，在深度學習框架yolov5預置的預訓練的模型yolov5s的基

礎上，使用采集到的數據集對模型進行迭代優化，生成了人車識別的定制化的模型。