项目中使用centos7.6版本的opencv，找了很多攻略，都没有解决问题，经过总结后，得到终极版解决办法，成功完成在centos7.6下 编译opencv和ffmpeg源码并使用。

Dify 是一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务（Backend as Service）和 LLMOps 的理念，使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员，也能参与到 AI 应用的定义和数据运营过程中。由于 Dify 内置了构建 LLM 应用所需的关键技术栈，包括对数百个模型的支持、直观的 Prompt 编排界面、高质量的 RAG 引擎、稳健的

目前我们常说的视频质量诊断应用，主要分两种：一种是将视频质量诊断系统设在监控中心，通过中心矩阵或流媒体服务器来获取前端所有摄像机的视频信号，通过轮巡方式对各路视频进行检测。这种方式受限于网络带宽和服务器自身性能，上传画面质量无法保障，非真正意义的视频质量诊断，属于应急的视频检测，如黑屏、恶意破坏、遮挡等行为能及时给予预警，能检测“破坏性”的视频，提醒相关人员采取措施并及时处理。另外一种是将视频质量

基于Mongoose平台搭建了视频质量服务系统，该系统的主要功能包含生成base64图像数据、接收postman的数据参数推送、视频质量算法分析以及处理结果的指定地址推送功能，该系统已经在windows、centos、kylin、ubuntu等系统上做过相关适配工作，算法已经达到商业级应用需求。这次把之前积累的单机版工具和算法的server版本都做了说明，并记录一下自己的成果，深度学习数据搜集以及

一、采用yolo v3来对火焰进行检测：网址：https://github.com/AlexeyAB/darknet二、yolo v3 训练方式请参考，https://blog.csdn.net/zhulong1984/article/details/82344685；三、训练的部分数据，链接：https://pan.baidu.com/s/1spcwJrK0eMwgHXkslImUg...

本文介绍了一种基于扩展卡尔曼滤波(EKF)的IMU-DVL融合导航系统。该系统通过融合高频IMU数据(200-250Hz)和低频DVL数据(10Hz)，实现高精度的位置、速度和姿态估计。系统具备姿态解算、速度估计、位置积分、零偏标定等功能，并采用中值滤波抑制噪声。输入数据包括IMU和DVL的标定数据及测量数据，经过标定校正、单位转换和滤波处理后输出融合结果。系统在DVL有效时使用其速度修正，失效时

最近项目开发涉及了一些AI算法移植到边缘计算盒子上，调研了寒武纪MLU220、比特大陆SM5和华为310的模组，对相关的资料进行整理工作，理论上来说比特大陆SM5的移植还算比较友好一些。

传统的视频质量诊断算法已经满足不了多数项目的需求，需要结合深度学习的方式来综合判断，达到提升精度的目的，深度学习视频诊断。

Yolov8 Opencv C++系列保姆教程，通过一个红绿灯识别的案例，实现了Yolov8 的应用全流程的过程，整个算法最终只依赖了opencv，部署会更加方便、易用。基于Yolov8训练自己的数据集，实现红绿灯识别及红绿灯故障检测 ，红绿灯故障识别。

本文针对无人机在船舶上的自动降落问题，提出了一套完整的算法设计方案。系统采用多线程架构，分别设置 30ms 导引线程、60ms 船位线程与 50ms 状态发布线程，通过共享状态、非阻塞队列及互斥锁机制实现线程间安全通信，保证系统实时性与运行稳定。核心制导算法基于 ZEM/ZEV 原理设计，可实现无人机在有限时间内精准趋近船舶并将相对速度降至零，满足平稳降落要求。为贴合海上实际环境，采用 Ornst