本技术涉及医疗图像处理与机器学习技术领域。提供了一种压力性损伤图像检测及评估方法，包括步骤:实时采集患者皮肤的视频图像数据，对采集到的数据进行预处理，得到预处理数据集；对预处理数据集进行视频放大处理，得到放大数据集；对放大数据集进行图像分割，划分出若干个初始压力性损伤预测区域；计算每个初始损伤预测区域的质心位置点，并根据质心位置点的各项特征指标数据，动态调整每个初始压力性损伤预测区域的边界，得到压力性损伤预测区域；将压力性损伤预测区域对应的检测结果以图表和报告形式进行输出，根据检测结果给出相应的预警信息和护理建议。解决了现有技术中压力性损伤图像数据检测准确性不足，难以准确识别和分割的技术问题。

 本文涉及高光谱遥感图像分类技术领域，公开了一种高光谱小样本分类方法、系统、设备及介质，该方法包括:获取高光谱的源域数据集及目标域数据集；构建多层次空间光谱特征融合网络（包括多层次空间光谱特征编码模块、自适应分层特征融合模块和特征集匹配模块），在多层次空间光谱特征编码模块提取空间光谱局部融合特征，在自适应分层特征融合模块中获得全局特征，并构建域分布特征损失函数；利用特征集匹配模块计算特征距离，并构建多层次特征匹配损失函数；结合这两类损失函数构建总损失函数，以训练多层次空间光谱特征融合网络，得到初始分类模型；将目标域数据集输入该模型进行自适应调整，以实现精确预测高光谱小样本分类。

 本技术公开了一种融合点云与影像数据的露天矿建筑物图像分割方法，属于计算机技术领域。该分割方法的步骤为:对矿区激光点云和无人机影像数据集进行预处理；将预处理得到的特征图像进行裁剪、标记、数据增强处理，并划分为训练集、验证集和测试集；将训练集、验证集和测试集数据进行尺寸重建操作；将尺寸重建后的图像送入SSC‑SeNet网络模型中进行训练，使用训练好的SSC‑SeNet网络模型对真实的三维建筑物图像进行分割；本发明采用特征提取主通道、空间提取通道、语义提取通道与特征融合模块分别提取建筑物全局特征、空间特征及语义特征；特征提取主通道关注全局上下文信息，实现了建筑物信息的有效提取。

 本技术公开了一种基于分布式通信的数据分析方法、系统、设备及介质，涉及数据处理技术领域，包括:基于分布式通信网络，实时监控节点状态并获取节点资源状态数据集，通过机器学习算法，建立节点性能评估模型，动态分配数据分析任务的计算资源以优化资源分配，并根据数据分析任务的需求和节点性能，设计任务分配策略，建立分布式数据处理框架；通过分布式分解并执行计算数据分析任务，聚合收集分布式计算结果并动态调整优化资源任务分配，获得最终的数据分析结果，本发明能够实时监控节点状态并智能调整资源分配方案，根据节点的通信状况和计算能力动态优化任务分配的优点，进而解决现有技术中动态资源管理不足和任务调度灵活性差的问题。

 本技术公开了一种基于生成对抗网络的电辅助渐进成形盲区温度预测方法，获取板料电辅助渐进成形时，板料加工区域热成像图像被遮挡的盲区温度图，以及获取板料加工区域热成像图像无遮挡的无盲区温度图；构建生成对抗网络模型，其输入为盲区温度图，其输出为无盲区温度图；通过步骤1获取的盲区温度图和无盲区温度图训练得到盲区温度预测模型；将待预测的盲区温度图通过盲区温度预测模型实现盲区温度预测。通过生成对抗网络提供盲区温度预测，提升成形温度的控制精准性，从而提升最终产品质量。

 本技术公开了基于YOLOv8的烟叶散把程度的检测方法及系统，具体涉及烟叶检测技术领域；通过在检测区域内安装光照传感器实时监测光照强度变化，并结合自动化相机设备采集不同光照条件下的烟叶图像数据，对其进行预处理并提取阴影分布异常特征和色彩变化幅度特征，训练出预测YOLOv8模型检测精度的机器学习模型，根据模型输出的精度结果，将检测划分为高精度和低精度两类，高精度结果直接应用于生产，低精度结果则通过进一步分析异常情况，动态调整检测阈值，提升模型的检测精度，不仅有效解决了因复杂背景和光照变化导致的检测精度异常问题，优化了烟叶分类的准确性，还提高了生产环节的质量控制。

 一种基于注意力机制的分焦面偏振图像超分辨重建方法。属于光学图像处理技术领域，具体涉及分焦面偏振图像超分辨重建技术领域。所述方法包括如下步骤:S1、利用分焦面偏振探测器采集图像构建图像数据集；S2、构建超分辨率神经网络模型，所述超分辨率神经网络模型中通过通道自适应亚像素卷积模块实现对任意通道数的特征图像进行亚像素重构，同时根据不同偏振方向的特征信息占比对通道权重进行自适应调节；S3、利用图像数据集训练超分辨率神经网络模型；S4、根据评价指标验证超分辨率神经网络模型；S5、利用超分辨率神经网络模型进行偏振图像超分辨重建。

 本技术涉及一种基于元伪标签多尺度图卷积网络的高光谱图像分类方法，通过建立元伪标签的多尺度特征搜索图卷积网络MPL‑MFSGCN，先利用SLIC超像素分割技术将HSI划分为不同尺度的超像素图并转化为图结构；接着构建了一个多尺度特征搜索图卷积网络MFSGCN架构，并利用神经网络搜索算法优化超像素特征权重组合，增强特征表达的判别力；通过采用共享同一图卷积网络的半监督教师‑学生模型来生成元伪标签，并对学生网络进行微调，以提高网络的鲁棒性；在小样本条件下能自动捕获关键特征，相较于常用的HSI数据集上取得了比先进方法更高的分类精度，有效提升了分类准确性。

 本技术公开了一种基于多层级关系增强的弱小目标检测方法，旨在检测PCB电路板外观弱小缺陷，属于工业质检和机器视觉领域。本发明将Faster RCNN作为基准模型，包括特征提取器、候选框生成器、辅助检测器，对应的输出特征分别为图像级特征、实例级特征、类别级特征；本发明设计了一组图像级到实例级的上下文语义关系增强和实例级到实例级的视觉推理组件，并通过残差融合模块将上述组件的输出进行融合，进而输送至检测器，实现对输入图像数据表面弱小缺陷目标的检测。本发明增强了基准模型对弱小缺陷目标的表征能力，可准确检测到PCB电路板外观弱小缺陷，提升了电路板外观质量和企业生产效益。

用于距离测量的系统(100)包括至少一个存储设备(140)和至少一个处理器(122)。所述存储设备(140)包括一组指令。所述至少一个处理器(122)与所述至少一个存储设备(140)通信。当执行所述一组指令时，所述至少一个处理器(122)被配置用于引起所述系统(100)执行步骤501‑505。步骤501，获取由相机捕获的图像，所述图像包括对象。步骤503，基于所述对象，识别所述图像中的至少一条目标线，其中所述至少一条目标线与至少两条预设参考线相关联，所述至少两条预设参考线中的每一条分别与其到所述相机的水平参考距离相对应。步骤505，基于所述至少一条目标线，确定所述相机与所述对象之间的距离。