TensorFlow

将整个研究视为一个“感知-决策-部署”的完整系统进行顶层设计。该方法将目标检测模块、多目标跟踪模块，分析并权衡各子系统在精度、速度、资源占用等关键指标上的内在矛盾与协同关系。基于此，规划出从算法层改进、到应用层集成、再到工程层优化的阶梯式技术路线，确保最终实现的系统原型在整体性能上达到最优平衡，满足

系统基于多目相机完成溜井扫场与标定，结合目标检测算法识别石头、破碎机、栅栏、车辆、人员等目标信息；下位机根据识别结果完成自主路径规划、破碎、推石、扫石及人员/车辆避障，并通过CAN通信控制破碎机执行作业；上位机实时接收并展示破碎次数、人员进入次数、车辆进入次数、石头层高等关键数据，同时支持多路RTS

1.数据加载与预处理模块：加载MNIST手写数字数据集，将原始图像数据（28×28像素）进行归一化、降维处理，转换为分类器可接受的输入格式2.多分类器训练模块：支持多种分类器并行训练，包括SGDClassifier（随机梯度下降分类器）、RandomForestClassifier（随机森林）、SV

1.车辆检测模块：基于YOLO目标检测算法，从视频流中实时识别车辆目标，输出检测框及类别信息2.目标跟踪模块：采用ByteTrack追踪器实现多车辆跨帧跟踪，为每辆车分配唯一ID并记录运动轨迹，利用低分检测框二次匹配提升跟踪鲁棒性3.车速测算模块：基于透视变换将图像坐标映射至实际路面坐标，结合帧率和

核心功能模块：AI识别引擎：基于MobileNetV2的迁移学习模型，支持6类水果状态实时分类RESTfulAPI服务：Flask框架提供标准化接口，支持HTTP/JSON通信图像预处理模块：自动尺寸调整、归一化、批量处理可视化测试界面：HTML5前端界面，拖拽上传即时反馈主要功能描述：单张/批量图