本发明提供了一种基于模型的音视频分析的新闻事件识别系统，包括音视频采集、音频特征提取、视频特征提取、特征融合、事件识别模型和结果输出模块。系统通过采集新闻音视频数据，提取音频和视频特征，融合形成综合特征向量，采用SVM算法构建模型进行分类识别，并输出结果。本发明可以提高新闻事件分析的自动化和准确性。

 本发明属于煤矿安全监测技术领域，涉及面间煤柱掘采支护一体化装备数字孪生高效虚实同步方法。包括:步骤一、装备数字孪生体三维模型轻量化；步骤二、建立装备数字孪生体运动行为模型；步骤三、建立装备轨迹预测模型：基于Self‑Attention‑LSTM的掘支装备孪生体位姿预测；步骤四、建立虚拟空间装备驱动与修正模型，基于二次样条插值法的位姿修正和基于状态同步的数字孪生平台动态更新方法；步骤五、关联以上模型建立数字孪生掘支装备虚实同步交互。方法结合压缩孪生三维模型数据和轨迹预测模型缩小数字孪生系统所需驱动数据量，更高效地驱动虚拟空间装备的运动，在传感数据获取困难以及数据通讯受限情况下也能稳定工作，具有更高的可靠性和实用性。

本申请涉及一种托寄物处理方法、装置、计算机设备和存储介质，方法包括:接收托寄物的寄件信息；获取针对所述托寄物拍摄的目标物体图像；对所述目标物体图像进行图像检测，若所述目标物体图像满足预设图像要求，生成运单号；将所述目标物体图像与所述运单号、所述寄件信息对应存储。上述方法在揽收过程中要求上传针对托寄物拍摄的图像，并且在图像满足一定的条件时生成运单号，并将图像与运单号、寄件信息一同存储，在后续的运输过程、投递过程中若需查找托寄物的具体位置，可结合存储的托寄物图像进行查找，在丢失件时为查找托寄物提供了有利信息。

本发明涉及一种无人巡逻车对遗留物识别方法。包括云端服务器、摄像头、激光雷达传感器和高精度定位传感器，所述激光雷达传感器和高精度定位传感器与车载计算机连接，云端服务器与摄像头通信连接。本发明通过无人巡逻车与云调度平台的共同协作，提高了丢失物品找回率，减少了日常生活中因为丢失物品所带来的的经济损失。

本发明公开了基于人工智能的服饰面料检验分析处理系统，包括数据采集单元、预处理单元、检验分析单元和优化调控单元，通过数据采集单元采集获服饰面料的图像数据，并通过图像分析提取面料特征信息，再通过检验分析单元从面料的外观特征与物理特征两个角度，分析印染效果以及拉伸与耐磨的物理性能，进而综合分析评估服饰面料效果，其中，通过机器处理进行服饰面料的智能检验操作，并通过图像处理技术进行特征信息提取分析，从而对图像数据进行量化分析，利用人工智能进行数据分析处理，提高服饰检验的精准性和全面性且操作高效便捷，并通过优化调控单元自成长优化完善服饰检验的模型，提高数据处理的稳定性和可靠性。

 本发明公开了一种电梯钢带的表面缺陷的检测方法及系统，将多个表面图像形成复杂数据集，并将复杂数据集与YOLOv8n模型进行交互；基于复杂数据集与对YOLOv8n模型进行模型优化，并输出电梯钢带表面故障检测模型；采集电梯钢带的待检测图像，并根据电梯钢带的待检测图像以及电梯钢带表面故障检测模型输出电梯钢带的表面故障信息，电梯钢带的表面故障信息包括磨损裸露、鼠啮破损或横向裂纹，此时，基于复杂数据集训练YOLOv8n模型，以便于对YOLOv8n模型进行优化，从而输出电梯钢带表面故障检测模型，以便于根据电梯钢带的待检测图像以及电梯钢带表面故障检测模型输出电梯钢带的表面故障信息，实现了电梯钢带的待检测图像的智能故障检测。

 本发明公开了基于多任务自适应模型的轧制金属表面缺陷自动标注方法，包括:S1、采集轧制金属表面图像，对其预处理及增强后进行数据标注，构建轧制金属表面缺陷数据集；S2、构建多任务自适应模型，并利用数据集对其训练，得到缺陷自动标注模型；S3、将待标注的金属表面图像输入至缺陷自动标注模型中，通过执行目标检测任务输出表面缺陷标注结果。该方法结合多任务学习框架，实现对轧制工艺中金属表面缺陷的目标检测与实例分割任务的联合训练，并在推理阶段专注于目标检测任务，以提升标注效率，本发明标注方法显著减少人工成本，能够广泛应用于轧制工艺金属的工业缺陷检测和数据自动标注场景，适用于复杂工业环境中的缺陷图像自动标注任务。

 本发明提供一种基于分层形状先验增强ResUNet模型的医学图像分割方法及装置，涉及医学图像分割技术领域。该方法包括:获取初始3D医学图像；基于预设处理参数，对初始3D医学图像进行数据处理，获得训练3D医学图像；基于ResUnet模型结构构建医学图像分割模型；将训练3D医学图像输入医学图像分割模型进行图像分割预测训练，获得3D分割图像；根据预设标注3D医学图像以及3D分割图像进行损失函数计算，得到模型分割损失；根据模型分割损失，对医学图像分割模型进行参数优化，获得优化图像分割模型；获取待分割3D医学图像；根据待分割3D医学图像，通过优化图像分割模型进行图像分割。本发明是一种基于分层形状先验增强ResUNet模型的准确且高效的3D医学图像分割方法。

 本发明公开了基于持续自适应知识空间的图像分类方法，属于计算机视觉和图像分类领域，方法包括:根据已知类别的质心和质心的半径构建已知样本的知识空间，将已知样本的知识空间更新至自适应知识空间；在自适应知识空间中，计算当前图像分类任务中每个已知类别的质心到未更新前的知识空间中所有超球的第二距离；根据第二距离判断超球的质心是否落在伪标签超球中，若是，将超球的伪标签转化为真实标签。自适应知识空间能够持续地包含所有已知样本的类别信息，通过计算已知类别质心与超球的距离评估伪标签的准确性，从而将高置信度的伪标签转化为真实标签，极大地提高了未知图像的识别准确性和已知图像的分类准确性。

 本发明涉及图像处理技术领域，提出了一种基于动态自适应和强化特征的多目标跟踪分割方法及系统，方法包括前处理步骤、外观代价计算步骤、预匹配步骤、运动代价计算步骤、正式匹配步骤、后处理步骤、重复步骤和可视化步骤。该方法通过具有动态自适应的数据关联对目标特征进行细化整合，以及利用基于掩码的注意力机制和基于四三角形变的掩码预测分别强化目标外观特征和运动信息，以能够在保持高跟踪精度的同时，实现快速运算和低成本运行，适用于更广泛的应用场景。