本公开的实施例提供了一种基于全局‑局部表面协同感知的物体高斯逆渲染方法；涉及图形逆渲染领域。方法包括进行光线投射与采样，获取采样点；利用几何网络和颜色网络计算采样点的神经辐射距离值和颜色值，获取全局几何表征；根据神经辐射距离值，初始化高斯点云位置；从初始化高斯点云中选取局部控制点，以局部控制点为中心，确定局部采样点并构建局部距离函数；根据局部采样点，利用局部距离函数和神经辐射距离函数，计算局部采样点的局部距离值和全局神经辐射距离值；根据全局几何表征，以这两个距离值为约束，重建几何细节；为高斯点云添加属性值进行材质与光照建模，获取材质属性与光照条件。以此缓解物体表面粗糙、提高细节捕捉能力。

 本技术公开了盆骨关键点定位方法、系统及存储介质，盆骨关键点定位方法步骤如下:S1：骨骼影像的原图像和畸变图像坐标点生成；S2：骨骼畸变后的关键点映射计算；S3：构建四象限，通过等比变换实现图像畸变增广；S4：通过深度学习，训练关键点定位模型，实现临床盆骨关键点定位。本发明通过引入仿畸变数据增广技术，生成更具代表性的数据集，实现自动化、高准确度的盆骨关键点定位；本发明可将盆骨骨骼关键点定位精度从平均误差1.3毫米降低到平均误差1.1毫米，提升了定位精度。

 本文公开了一种基于分类和多级残差增强的高光谱与多光谱图像融合方法，涉及新一代信息技术领域。本申请中所述高光谱与多光谱图像融合方法获取的重建的高分辨率高光谱图像较为准确，而且重建的高分辨率高光谱图像与源图像所对应标签之间的偏差较少，在对图像细节重建方面较为突出，能够具有较高的还原精度；而且，本申请所述高光谱与多光谱图像融合方法在对背景噪声较多的源图像进行融合时具有较强的鲁棒性和适应性，能够有效地抑制背景噪声对图像融合质量的干扰；此外，本申请所述高光谱与多光谱图像融合方法对不同类别的地物还具有较强的区分能力和重建精度。

 本技术公开了一种基于机器视觉的玉米秸秆切碎长度检测方法，涉及玉米秸秆智能化收获技术领域，方法包括:获取待检测图像，并将待检测图像输入至预训练模型中得出待检测图像中的每个玉米秸秆对应的长度；模型的训练过程为：对实验图像数据进行空域内的变换处理，得到增强后的图像数据；对增强后的图像数据进行分割提取，并标记，确定每个连通区域对应面积，基于最小外接矩形拟合计算出每个面积对应的玉米秸秆的实际长度，基于实际物理长度以及实际长度，确定是否对模型参数进行调整。本发明实现了秸秆切碎后长度的实时精确测量，为玉米打捆机械的智能化改造提供技术支撑。

 本技术公开了一种基于嵌入式与图像处理的玉米果穗损伤检测方法，涉及农作物无损检测技术领域，方法包括:提取当前原始图像的图像边缘特征，并对背景区域进行分割，得到第一图像，对第一图像进行膨胀处理，确定果穗区域，并对第一图像进行剔除果穗区域处理，得到第二图像，对第二图像进行预处理，得到玉米叶子区域，对第二图像进行剔除玉米叶子区域处理，得到第三图像，对第三图像进行开运算，得到损伤区域。本发明在不同的色彩空间中，不同的特征提取难易度不同，因此在不同的色彩空间提取不同的特征区域可以大幅度提升区域范围确定的准确性。

 本技术公开了一种基于深度学习和嵌入式的玉米果穗损伤检测方法，涉及农用机械技术领域，方法包括:实时获取收获机工作时，集穗箱内的影像数据，并通过预训练的深度学习模型，对所述影像数据进行处理，得到损伤分类结果；对所述损伤分类结果中的每一张影像数据进行预处理，并对预处理后的影像数据进行损伤部分的占比计算，并对占比计算结果进行保存处理。本发明通过预训练的深度学习模型可以及时准确的确定出在玉米收获的过程中出现的玉米损伤的比例，此外，通过计算损伤部分的占比还可以进一步为后续收获方案或收获机的改进提供一部分数据支撑。

 本技术提供了一种跨空间协同学习轻量级海岸堤坝裂缝分割方法，步骤S1:通过三层编码器进行下采样，并统一通道数和分辨率，得到特征集合；步骤S2：提取所述特征集合的映射注意力门特征和门控信号进行融合，得到注意力门控特征；步骤S3：提取所述注意力门控特征的多尺度的空间特征，并聚合输出；步骤S4：将步骤S3的输出结果，通过输出卷积进行处理，得到分割结果。以较少的参数和较低的计算要求，显著提升了分割的效率和准确性。

 本技术属于机器人位姿定位技术领域，公开了一种基于多源数据的定位与建图方法及系统。该方法分析了多源SLAM方案的。其次，提出如何利用扩展卡尔曼滤波算法建立激光惯性里程计，实现激光点云的帧间匹配，建立激光雷达栅格地图。然后使用深度相机获取三维图像信息，提取图像ORB特征，并通过PnP算法求解深度相机的位姿信息，并转换为二维点云数据。最终通过改进基于多源数据的贝叶斯算法，利用多源数据构建栅格地图。本发明使用成本低廉的传感器实较好的定位与构图效果。

 本技术涉及视频识别以及超声心动图视频自动化分析技术领域，具体提供了基于增强时空特征网络的自动化自发显影识别方法，包括对待识别视频进行预处理，得到视频帧集合；其中，所述待识别视频为经食道超声心动图视频；将所述视频帧集合输入到训练好的自动化自发显影识别模型，利用所述自动化自发显影识别模型输出对应的自发显影识别结果；其中，所述自动化自发显影识别模型是根据多个训练数据训练得到的，所述训练数据包括经食道超声心动图视频；所述自动化自发显影识别模型包括注意力图创建模块、时空特征提取模块和分类模块。本发明所述的基于增强时空特征网络的自动化自发显影识别方法，能够有效降低数据成本，识别准确性高。

 本技术涉及目标检测领域，具体涉及一种基于深度学习的倒瓶检测方法、装置及可读介质。其方法包括以下步骤:获取待检测的生产线的图像；构建基于改进的YOLOv5网络的倒瓶检测模型并进行训练，得到经训练的倒瓶检测模型，在倒瓶检测模型的主干特征提取网络采用C3Ghost模块代替YOLOv5网络中的CSP1_X模块，在SPPF模块之后连接一个AAM模块，在YOLOv5网络的颈部特征融合网络的每一个拼接模块之前添加CBAM模块，在训练过程中采用EIoU损失函数，从而实现模型轻量化，便于部署在嵌入式设备中；将待检测的生产线的图像输入到经训练的倒瓶检测模型，得到倒瓶检测结果。该方法能够适应生产线的复杂环境，解决生产线倒瓶人工检测带来的隐患和现有检测方法效率低的问题，提高倒瓶检测效率。