本文涉及一种异常细胞检测方法、装置、计算机设备和存储介质。所述方法包括:对内窥镜细胞图像进行色度处理，得到色度处理后的内窥镜细胞图像；所述内窥镜细胞图像为荧光细胞图像；通过预先构建的深度学习模型提取所述色度处理后的内窥镜细胞图像对应的边缘特征，并根据所述边缘特征对所述色度处理后的内窥镜细胞图像中的细胞进行定位；将所述色度处理后的内窥镜细胞图像中各细胞的边缘特征与标准细胞特征进行相似度比对，将相似度小于预设阈值的细胞确定为异常细胞。采用本方法能够准确检测出染色不均匀区域的异常细胞。

 本技术涉及了自然语言处理和机器学习技术领域，具体涉及了一种意图感知提升方法及系统。该方法获取图像数据；将图像数据输入至构建好的意图感知模型中，得到对应的意图感知结果；其中意图感知模型为采用训练数据训练得到的模型，所述训练数据包括各种类型的图像数据以及对应的特征标签注释；而意图感知模型包括依次通信连接的LLMTransformer模块和意图和谐优化器，所述LLMTransformer模块用于根据输入的图像数据进行意图预测，所述意图和谐优化器用于根据两个意图类别之间共同出现的概率，对LLMTransformer模块输出的预测结果进行优化。该方法的预测更精确有效。

 本技术公开了一种轨道故障检测方法及系统，方法包括:将连续轨道划分为至少一个待检测轨道，并获取所述至少一个待检测轨道的待检测轨道图像；根据预设的聚类规则将各个待检测轨道图像进行聚类处理，得到至少一个待检测轨道图像集合；采用预设的选取规则在某一待检测轨道图像集合中选取目标待检测轨道图像，并对所述目标待检测轨道图像进行预处理，得到目标图像；对所述目标图像进行边缘提取，得到轨道边缘图像；通过预设模型对所述轨道边缘图像进行故障检测，得到与所述待检测轨道图像对应的故障检测结果。能够降低相同特征的待检测轨道的检测频次，从而能够有效的提高轨道故障检测效率。

 本技术涉及图像分割技术领域，且公开了一种基于KAN网络的医学图像分割方法，包括如下步骤:步骤一，对医学图像数据集进行数据增强与预处理，构建出训练数据集；步骤二，搭建初始网络模型；步骤三，将训练数据集输入构建的初始医学图像分割模型中进行训练，直至损失函数收敛，得到训练好的医学图像分割模型；提出的KAN通道注意力模块和KAN空间注意力模块使KAN网络替换传统MLP结构，使输入特征直接经过非线性激活函数，相比MLP，KAN网络节点数可以大大减少，降低模型复杂度，减少算力成本，本发明提出的KAN通道注意力模块可解决解码器中对于图像的过度分割问题，删除无效通道信息。本发明提出的KAN网络能有效提高医学图像分割精度。

 本技术涉及一种宽谱图像仿真方法。该方法的具体步骤为:拍摄宽谱Raw数据，固定拍摄参数；拍摄可见光Raw数据；计算可见光Raw数据与宽谱Raw数据的商得到仿真参数η；计算可见光Raw数据与宽谱Raw数据之差得到近红外Raw数据；计算近红外Raw数据分通道的均值比上整体均值得到三个加权仿真参数；将可见光近红外数据集中的图片做逆ISP变换到Raw域；对Raw域数据进行耦合到宽谱Raw域；将宽谱Raw域数据做正向ISP变换得到仿真结果。本发明的方法可以将现有的可见光‑近红外数据集仿真为宽谱数据，并且能适应不同的宽谱传感器和光照环境，具有很好的扩展性和应用性，有效解决了宽谱图像训练数据不足的问题。

 本技术公开了一种面向小样本的糖尿病视网膜病变的分类方法及系统，属于图像处理和医学领域，其中，分类方法由基于轻量级RexNet通道优化的预训练阶段，眼底图像数据预处理阶段，数据增强阶段，基于迁移学习的模型微调训练阶段，系统实现阶段组成；本发明解决了医学图像数据样本少和患者隐私问题，打破基层社区DR诊断能力不足的壁垒。同时结合迁移学习，在ImageNet进行预训练，得到预训练模型。对数据进行增强，提高糖尿病视网膜病变分类检测系统的准确度，降低计算成本，辅助基层社区针对糖尿病视网膜病变临床诊断，进行糖尿病视网膜病的预防筛查诊断。

 本技术公开了一种基于深度学习的眼镜识别和眼镜移除方法、系统及设备，该方法包括:将人脸图像集输入眼镜字典进行鉴别，得到戴眼镜人脸图像集和不戴眼镜人脸图像集；根据第一划分器对戴眼镜人脸图像集进行划分，得到不透明眼镜人脸图像集和透明眼镜人脸图像集；根据第二划分器对透明眼镜人脸图像集进行划分，得到无框眼镜人脸图像集、半框眼镜人脸图像集和全框眼镜人脸图像集；基于生成对抗网络构建眼镜移除模型；将人脸图像集输入对应的眼镜移除模型进行眼镜移除，得到对应的无眼镜人脸图像集。本发明实现了基于多特征的眼镜移除，生成的无眼镜人脸图像在身份特征和视觉效果上均保持高度一致性。

 本技术公开了一种基于M‑N‑CDFTransUNet网络模型的肺结节分割方法，属于医学图像处理技术领域，其方法包括以下步骤:对LIDC‑IDRI肺部数据集图像进行格式转换；依据K‑means和图像处理方式提取出肺实质部分；建立肺结节分割数据集，并分为训练集和验证集；建立改进的TransUNet算法的肺结节分割模型；对M‑N‑CDFTransUNet网络肺结节分割模型进行训练，训练后得到优化模型；对S4得到的M‑N‑CDFTransUNet网络肺结节分割模型进行验证；用验证优化后的模型对肺部图像进行识别。本发明能够整合不同层级的特征信息，从而增强对肺结节的全面理解和识别能力，并且提高模型整体特征提取性能，且提升模型泛化能力。

 本技术公开了一种基于模型量化的工业缺陷检测方法及系统，方法包括:对缺陷检测模型使用模型量化法进行加速并封装后得到量化后的缺陷检测模型；将量化后的缺陷检测模型设置为工业内窥镜的启动程序，获取工业内窥镜拍摄的周围环境图像或视频；调用量化后的缺陷检测模型结合图像高低分辨率映射推理方法对周围环境图像或视频的数据进行实时推理检测得到检测结果。可以将提出的模型加速方法应用到目标检测模型中实现推理加速，并将加速后的模型部署到工业内窥镜设备当中，能够同时进行单帧图片以及视频流的高速推理，同时将检测方法部署到工业内窥镜设备当中，借助工业内窥镜的体积小等优势实现对狭小空间和非直线型等工业环境下的缺陷检测任务。

 本文的实施例涉及一种面向实时感知数据的去中心化预言机服务方法、电子设备和可读存储介质，通过获取传感器感知数据；判断预构建的预言机服务系统模型中各节点的网络状态请求是否超时，若网络状态请求超时，则基于共识协议中的网络状态发现算法更新各服务节点的网络状态，和/或基于共识协议中的可靠视图更改算法更新领导节点，得到网络状态达成共识的各节点；基于复合真值发现算法处理各节点中的传感器感知数据得到预言机真值推理数据，以实现对物联网传感器流式数据的实时、准确的真值推断，本技术还设计了DPS‑BFT共识协议，允许服务节点在部分同步拜占庭网络中自由加入或离开，而不影响网络的整体性能。