近年来，得益于顶层政策加码赋能，以无人机为主导的低空经济乘势起飞。据《国家立体交通网络规划纲要》数据，到2035年国家支撑经济发展的商用和工业级无人机预期达到2600万架，市场规模有望达3.5万亿元。
面对正在崛起的万亿级产业，各城市加快部署，涵盖城市、安防、环保、水利、能源等领域的“低空经济+”应用逐步由规范走向大规模发展，低空巡查数据持续激增，应用范围扩大和任务复杂性增加，同时带来了海量低空数据如何高效处理的难题。
低空场景规模化发展高效处理海量数据成难题
无人机巡查的任务归根到底不是单纯获取数据，而是让数据能为业务所用。无人机能够在短时间内收集大量的图像和视频数据，例如，仅单个无人机每天的多架次飞行数据的巡查飞行可能会产生数十GB甚至数百GB的数据。面对庞大的数据量，单纯依靠人工的处理和分析方法时需耗费大量人力、效率低下而且具备延迟性，同时这些数据也需要被及时分析，以便及时发现问题并采取相应的措施。
低空数据激增催生了大量的无人机识别算法需求，AI+无人机成为全新的增长点。无人机识别算法就是基于巡检图像进行智能开发，无人机巡检中拍摄的巡检视频经过智能图像识别，用于检测各种类型的物体，如人物、车辆、建筑物、水面附近的物体等，这种自动化地高效处理数据解析能够减少低空数据处理时间和成本。
在低空巡查领域，识别算法不仅仅是一个技术需求，而是确保操作效率和安全性的关键。
城市识别算法高效落地难？地面和无人机视角差异巨大
在公路上识别车辆并测速，在水面精准判断漂浮物河湖、在街道上识别并判断人流、在城市中捕获生活垃圾和违规建筑……在AI算法要满足场景需求其核心是良好的识别效果。然而事实上大多城市场的算法识别效果不佳。
高效好用的算法需要合适且大量的训练数据集、高效的标注方式、大小模型训练、实战验证并不断优化。其中训练数据集起着至关重要的作用。目前基于地面摄像头视角的算法已经日趋成熟，但是这些依靠地面摄像头视角的图片或者网络图片训练出来识别算法应用在无人机上时往往存在识别率低的问题。
安置在地面和无人机上的摄像头视角差异巨大。地面摄像头主要针对水平或近水平视角，范围比较狭窄，偏重固定视角和细节，无人机摄像头的拍摄为多个角度（包括俯视和斜视），更广阔更偏向全局视野，从高空俯视时，车辆、建筑和其他对象的形状、大小和可见特征都与地面视角截然不同。
同时基于地面摄像头角度的算法通常在较为稳定的环境中，图像质量较为一致；无人机算法则需要适应因无人机移动速度快、风力影响等因素产生的图像运动模糊和变形问题，无人机的算法通常包括高级的图像稳定和运动补偿技术。另外，无人机算法有些需要在设备上即时处理数据，以便快速响应环境变化和公安、应急方面的需求。
