本发明涉及数据处理技术领域，本发明公开了一种基于人工智能的Wilson病损害程度评估系统及其方法，包括:从第一MRI图像中获取关于基底节的几何特征，并根据几何特征从第二MRI图像中初步分割出关于基底节部分的第一分割图像；根据纹理特征对进行第一分割图像次轮分割，得到第二分割图像；根据第一分割图像和第二分割图像划分出基底节中的铜沉积区域，并计算出铜沉积体积与基底节体积的体积比；将生理特征数据和体积比输入预先训练好的卷积神经网络模型中，以获取量化评分，并根据量化评分大小评估患者受Wilson病影响的损害程度；本发明能准确评估铜沉积对患者的损害程度。

 本发明公开了一种基于混合专家的小样本目标检测方法和装置，属于目标检测技术领域，包括:采用重复上采样和数据增强方式对新类别小样本图像进行增强；构建基于混合专家的小样本目标检测模型，其包括共享浅层特征网络、每个混合专家的独有深层特征网络、特征融合网络、以及每个混合专家对应的目标检测网络；利用基础类别图像和新类别增强图像对上述基于混合专家的小样本目标检测模型进行参数优化，本发明利用混合专家巧妙结合了不同深度的特征，学习不同深度的知识，提高了模型在小样本目标检测任务上的检测性能；同时提出结合上采样和数据增强，不仅有效减轻了上采样过程带来的过拟合问题，而且加强了小样本数据的多样性，提高了模型的鲁棒性。

本发明实施例提供了一种地表纹理绘制方法、装置及电子设备，涉及三维场景纹理绘制技术领域。该方法包括:基于三维场景中待绘制地表区域对应的待利用平铺值，对每张目标地表纹理模板进行程序随机采样，生成与该目标地表纹理模板对应的待平铺纹理模板；按照待利用平铺值，分别对每张待平铺纹理模板进行平铺，得到各张待混合纹理模板；利用所得到的各张待混合纹理模板，按照预先为待绘制地表区域设定的，且与各张目标地表纹理模板对应的模板混合权重，绘制地表纹理，得到待绘制地表区域的地表纹理。与现有技术相比，应用本发明实施例提供的方案，可以减少地表纹理呈现的重复和不自然的现象。

本申请公开了一种驾驶时使用手机行为的检测方法、报警方法、装置、车辆，属于数据处理领域。该方法包括在预设时间段内，对获取到的每帧图像的使用间距进行排序，得到间距时序队列，并对间距时序队列中使用间距进行加权计算得到间距时序队列的间距平均值，且根据间距时序队列中每帧图像对应的人脸框检测结果和手机框检测结果确定距离阈值；对间距平均值与距离阈值进行对比判断，若间距平均值大于距离阈值，并且人脸朝向结果为人脸朝向手机，则将驾驶员的使用手机行为判定为玩手机，若间距平均值不大于距离阈值，则将驾驶员的使用手机行为判定为打电话，并进行报警。本申请提高了图像中手机位置的准确度，提高了判断的准确率和实时性。

本申请实施例提供了一种定位球位置确定方法、装置、电子设备和存储介质，该定位球位置确定方法包括:接收针对由若干个三角面片组成的表面模型的球面选择操作；响应于所述球面选择操作，根据被选择位置对应的三角面片进行球面拟合，并确定拟合出的球面对应的球心坐标，得到拟合定位球；根据所述拟合定位球相对于待拟合定位球的参数偏移，计算所述拟合定位球的拟合误差，并将所述拟合误差小于第一预设阈值的所述拟合定位球确定为目标定位球。本方案能够精准的确定定位标志物上的定位球的坐标。

 本发明涉及图像处理应用技术领域，具体公开了一种基于智慧交通的人工智能图像处理方法，包括图像获取与预处理、特征提取、人工智能模型的构建与训练、智能分析与决策支持、图像的智能处理与反馈、结果输出与应用等步骤，该基于智慧交通的人工智能图像处理方法通过将特征提取的信息用于人工智能分析模型的建立，该方法显著增强了智慧交通管理系统的智能分析能力，在步骤三中，通过将提取的特征与历史数据进行映射计算，构建出的人工智能分析模型能够学习并识别交通图像中的模式，从而预测最佳的处理方法，这种模型的建立，使得智慧交通管理系统不仅能够处理当前的图像数据，还能够基于历史数据进行学习和预测，提高了系统的智能化水平。

 本发明公开一种基于相位引导Transformer‑CNN双路径融合的深度图预测方法和装置，包括:获取待处理的条纹图像；通过傅里叶模型对所述条纹图像提取关于相位信息的频率特征，并利用Transformer模型获取长距离和全局频率特征；利用CNN模型从所述条纹图像中提取细节特征；对所述长距离和全局频率特征以及所述细节特征进行交叉融合，并进行多尺度特征增强得到所述条纹图像的深度图。PG‑FTCNet能有效预测复杂表面上的相位信息，同时显著提高深度图预测的精度。该方法以条纹投影轮廓术中的单张条纹图像为输入，同时实现相位展开和深度图预测，在提升结果可解释性的同时，保留了高效的端到端计算模式，为FPP的三维重建任务提供了一种可靠且实用的解决方案。

 本发明公开了一种基于深度卷积神经网络的菠萝成熟度的无损检测方法及系统，本发明涉及蔬果检测技术领域。包括以下步骤:获取已知表面纹理特征参数及颜色特征参数的菠萝外观图像，并对其进行预处理，形成样本图像。基于样本图像建立卷积神经网络预测模型，输入菠萝外观图像并输出相应的特征参数。采集待检测菠萝的外观图像，经过预处理后输入预测模型以获得特征参数，并计算成熟度判断系数。检测待检测菠萝的乙烯和二氧化碳浓度，对成熟度判断系数进行修正，得到精确判断系数。对判断阈值进行动态修正，将精确判断系数与动态阈值对比，发出不同的成熟度判断结果，提供更加精准和全面的成熟度评估，提供了更加高效、准确的决策支持。

 本发明涉及边缘智能计算技术领域，公开一种移动平台多用户边缘端云协同推理多目标优化方法及系统，该方法包括:多用户协同推理数学模型构建，平台性能参数与神经网络信息获取，多目标优化算法计算决策变量，动态切分与参数配置，平台与服务器协同推理的执行。本发明通过动态多目标优化算法，结合移动平台的带宽、功率、主频等参数，优化模型切分点和任务分配策略，以在时间和能耗约束下实现系统性能的最大化，适用于无人机任务执行、智能制造、智慧医疗、智能监控等需要实时推理的场景，通过边缘平台与服务器的协同工作，实现高效、低功耗的深度学习推理任务执行。

 本发明公开了一种基于图像数据的交直流混联电力线路缺陷检测方法，涉及电力线路缺陷检测技术领域，该方法的技术要点为:以相同时间间隔作为采样周期，以相同采样坐标、采样角度对交直流混联电力线路进行采样，预先设定深度阈值，将深度图分割成背景深度图和前景深度图，通过计算待测前景深度图和样本前景深度图的前景深度偏差值，计算待测背景深度图和样本背景深度图之间的背景深度偏差值，本发明可以准确地区分深度图像中的背景和交直流混联电力线路部分，对交直流混联电力线路自身缺陷以及周围缺陷进行判断，对光照条件要求低，提高缺陷检测的效率，可以及时发现周围环境的变化情况，有助于预防潜在的安全风险和事故。