本技术公开了一种基于YOLOv5n工业零部件表面缺陷检测方法及装置，方法包括:将注意力机制嵌入到主干网络的卷积层中，并引入动态蛇形卷积捕获跨通道的信息，捕获方向感知和位置感知的信息，将工业零部件表面缺陷图像数据集输入到主干网络中进行特征提取，得到三个不同尺度的特征图；引入Gold‑YOLO结构，通过全局融合多层特征并将全局信息注入到更高层次，生成突出全局信息的特征图；将得到的特征图输入特征金字塔网络中，通过下采样方式和上采样方式逐步在不同尺度上对特征图进行加权融合；输出缺陷检测结果，标注检测框、缺陷种类以及置信度。装置包括：处理器和存储器。本发明对工业零部件表面缺陷的检测精度更高，更符合工业生产中对零部件健康情况的监测维护需要。

 本技术提出了基于多尺度特征和混合3D网络的视频篡改检测方法及系统，涉及计算机视觉技术领域，包括:获取待检测的视频帧，并进行预处理；通过采样处理，获取不同尺度的特征图；将不同尺度的特征图输入至多尺度内部级联网络中，分别利用浅层特征提取模块、时间特征提取模块和空间特征提取模块提取浅层特征、时间特征和空间特征；将所述浅层特征、时间特征和空间特征采用多尺度特征的EMA融合模块进行特征融合，得到融合后的特征；利用融合后的特征进行视频帧检测，获取视频篡改检测结果；其中，所述在时间特征提取模块中引入混合三维卷积结构。本发明能够有效地识别视频帧是否经过了非法插入的篡改操作。

 本技术公开了一种具备去场景退化功能的图像融合网络。本发明中，网络可以在执行红外可见光图像融合任务的过程中对可见光图像中的退化信息进行修复，提高了融合方法在恶劣环境下的鲁棒性。提出了基于文本－图像大模型的场景鉴别器，通过对比学习理论建立场景退化Prompts和对应图像之间的关系，经过训练后的场景鉴别器可以自动生成输入图像的退化类型。基于先验知识设计了BANet和DFNet，用于对不受控光照退化和烟雾退化进行修复。BANet和DFNet具备简易、可解释的结构，可以利用文本－图像大模型作为监督自适应的生成修复参数，实现对退化信息的准确复原。

 本技术公开了一种基于深度学习的钛合金显微组织预测方法，包括下述步骤:S1.构建包含基于深度学习的显微组织试样数据扩充模块和基于迁移学习的跨工况显微组织预测模块；S2.对显微组织试样数据进行采集及数据预处理；S3.在基于深度学习的显微组织试样数据扩充模块中，构造数据扩充模型，根据已有工况下的试样数据扩充新工况下的试样数据；S4.在基于迁移学习的跨工况显微组织预测模块中，将已有工况下的试样数据和新工况下的扩充试样数据划分为源域数据集和目标域数据集，对源域数据集进行预训练，然后在目标域数据上进行参数微调得到迁移学习模型；S5.使用迁移学习模型对新工况下的显微组织试样数据进行预测。

 本技术公开了一种基于可学习下降算法的心脏电生理成像重建方法，能够实现从体表电位BSP到心肌跨膜电位TMP的重建，与传统的图像层面的正则化方法相比，本发明具有更好的正则效果，并且可以学习到测量数据中的先验信息。此外，与直接用神经网络替换正则项的方法相比，本发明可解释性更强，并且具有更少的参数量，因此非常适合临床应用，可信度更高。通过对于心肌缺血和异位起搏疾病进行心肌跨膜电位重建，根据各项评价指标证明了本发明的优越性，与其他方法相比，实验过程中本发明与真值更加接近，重建效果更加精确。

 本技术公开一种轻量化手势识别方法、系统、电子设备及存储介质，涉及计算机视觉技术领域。所述方法包括:获取待检测数据；所述待检测数据包括图片数据和视频数据；将所述待检测手势输入训练好的手势识别模型进行预测，并输出当前帧的手势位置及手势类别；所述手势类别包括one手势、five手势、fist手势、ok手势以及yeah手势；所述手势识别模型是基于YOLOv8n基础网络、GB‑C2f目标检测模块和F‑FPN融合型特征金字塔网络构建的。本发明能够提高手势识别的推理速度和检测精度。

 本技术属于相机标定技术领域，具体涉及一种相机标定验证方法、系统、可读存储介质及计算机设备。设置与调试实验器材，形成三角测量方法的实验环境；拍摄包含标靶A、标靶B的图像，根据相机成像模型几何约束关系得到相机光心与旋转中心的偏移量；根据偏移量移动相机使相机光心与旋转中心重合，旋转相机拍摄多张包含标靶A、标靶B的图像，进行三角测量实验。本发明用以解决三角测量实验中无法直接测量得到光心到特征点的实际距离的问题，提高了深度信息的测量精度，准确重建出标靶特征点的空间位置，提升了三角测量方法的准确性。

 本技术公开了一种基于图像匹配的无人机辅助定位方法和装置，该方法包括:获取无人机在当前时刻采集的俯拍影像，得到待定位无人机图像；利用目标图像匹配模型提取待定位无人机图像的无人机特征信息，并将无人机特征信息与多个卫星图像的卫星特征信息进行匹配，得到目标卫星图像；对待定位无人机图像和目标卫星图像进行特征点配对，得到第一配对特征点；计算待定位无人机图像和目标卫星图像之间的第一单应性矩阵；利用第一单应性矩阵将目标卫星图像中的位置信息映射到待定位无人机图像中，得到无人机的第一预测位置信息。本方案可以捕获到高鲁棒性多尺度对象特征，提高了图像匹配的准确度，提高了无人机定位的精准度。

 本技术公开了一种基于深度学习的流动场景图像超分辨率重建方法及装置，包括获取流体流速数据集，所述流体流速数据集中的数据具有时间和地理两个维度；对所述流体流速数据集进行预处理，得到低分辨率图像和高分辨率图像；搭建基于反卷积神经网络的超分辨率模型，所述超分辨率模型包括一个反卷积层和若干个卷积层；对所述超分辨率模型的损失函数进行改进，具体为:在L1 Charbonnier损失的基础上增加分段函数，根据阈值调整权重大小；利用所述低分辨率图像和高分辨率图像对所述超分辨率模型进行训练；将训练好的超分辨率模型对低分辨率图像进行重建，得到高分辨率流场图像。对流动场景下图像超分辨率研究具有较好的效果和实用价值。

 本技术公开了一种基于红外双波段图像的弱小目标端到端检测方法，该方法构建了双波段红外弱小目标检测模型，该模型包括多层依次连接的特征融合单元每一个特征融合单元分别通过两个动态注意力模块对中波信息参数和长波信息参数分别进行处理后，获得各自的过程特征一，将两个过程特征一分别通过融合模块处理，获得融合特征，融合特征与上一层特征融合单元的结果加和后，将加和结果通过动态注意力模块处理，获得特征融合单元的输出特征；该目标检测模型多次复用了Attention模块，将整个检测模型简化，显著提升算法的性能表现，通过对模型全局建模能力的增强，使得算法在双波段红外弱小目标检测上有较好的表现。