本公开涉及指纹谱图的生成方法、装置及系统、计算机可读存储介质，涉及图像处理技术领域。指纹谱图的生成方法，包括:确定目标种类的脂质的多个谱图的每个谱图的组内特征；确定所述多个谱图的组间特征；根据所述组内特征和组间特征，生成所述目标种类的脂质的指纹谱图。

 本技术公开一种基于特征融合与检测头协同优化的无人机目标检测方法，利用由卷积模块CBS和残差模块C2f堆叠的骨干网络获得多尺度的特征图，将多种尺度的特征图依次输送到多层级特征融合模块（ML‑FFM），从深层到浅层进行特征融合，增强浅层特征的语义信息；将融合后的特征图输入精细化特征增强模块（RFEM），基于时空注意力机制消除位置冲突和冗余信息，优化深层特征的细节和定位能力；将增强后的特征图送入基于Transformer的预测头进行检测，完成无人机航拍图像的目标分类和定位。本发明解决了无人机航拍图像尺度变化大，以及小目标占比高且分布密集的问题，从而提高了无人机航拍图像中目标检测的精度。且方法中提出的模块能显著降低计算量，适用于无人机的实时检测场景。

 本技术属于堆石坝料场开采过程管控领域，涉及一种堆石料场储量计算方法，包括:1）采用航测无人机拍摄料场影像，获取料场图像，并根据航测图像获取料场点云数据；2）根据点云数据建立料场三维模型；3）构建堆石料场爆破区域图像识别模型；4）利用堆石料场爆破区域图像识别模型将料场图像识别出已爆破区域；5）将识别出的爆破区域在图像中的像素坐标转化为地球直角坐标；6）将爆破区域空间范围叠加到料场三维模型中，并对爆破区域进行标记；7）对料场三维模型中爆破区域进行三维模型构建，构建完成后通过栅格化操作计算得出爆破区的松散方量。本发明提供了一种测量精度高以及自动化程度高的堆石料场储量计算方法。

 本技术公开了基于局部神经几何学习的光场空‑角连续域超分辨率方法，属于深度学习与计算机视觉领域，包括S1、获取光场极几何图像，并构建神经网络模型；S2、将光场图像的子孔径图像阵列送入空‑角感知几何编码模块，得到空‑角感知的潜在几何编码；S3、将空‑角感知的潜在几何编码送入局部神经几何学习模块，得到空‑角连续域潜在几何编码；S4、将空‑角连续域潜在几何编码送入扩展渲染模块，得到光场图像；S5、设置损失函数；S6、利用神经网络模型，进行光场‑空角连续域超分辨率任务测试；本发明提供的基于局部神经几何学习的光场空‑角连续域超分辨率方法，可实现光场图像空间维度和角度维度同时且任意尺度的超分辨率。

 本技术提供了一种基于空间域和频域注意力机制的医学图像合成方法，属于计算机视觉和医学图生成领域，本发明解决了现有医学图像合成方法在处理高频细节信息方面的不足，提高了图像的清晰度和细节表现。方法包括以下步骤:S1、获取数据集并进行数据预处理；S2、构建生成对抗网络；S3、将成对的CT和MRI数据集输入到设计的生成对抗网络进行训练；S4、合成图像；S5、进行多次实验并对合成的图像进行评估。本发明能够在训练的过程中提取图像的空间域信息和频域信息，良好地学习不同模态医学图像之间的映射关系，进而准确迅速的完成医学图像的合成，得到高质量包含病变信息的合成图像。

 本技术公开了一种结合MambaASPP和组合损失函数的冠状动脉分割方法。该方法包括以下几个步骤:1.通过非零数据裁剪和重采样调整，节省计算资源，使模型可以更好地处理不同分辨率的图像。2.在U‑Net模型的基础上，编码器和解码器中的每一块都加入残差结构，然后于瓶颈层中加入MambaASPP模块，增强局部边界定位和背景前景对比度，改善小血管分割准确性。3.在模型的U架构中，每一层都加入一个分割头，得到分割结果，通过损失函数对每一层的模块都进行监督，让模型提前学习细节信息。4.监督模型训练，按照3∶1∶2的权重组合交叉熵、Dice和cbDice，共同构成损失函数，从不同角度监督，提升分割效果。

 本公开提供了一种辐射源定位方法，涉及放射源探测技术领域。所述方法包括:获取目标空间的几何空间模型；收集目标空间的采样数据，所述采样数据包括几何空间坐标信息和辐射计数率信息；构建系统传输矩阵，所述系统传输矩阵用于表征目标空间的辐射传播特性；使用最大后验估计方法对所述目标空间的辐射场进行图像重建；以及根据重建后的图像对辐射源进行定位。本公开还提供了一种辐射源定位装置、设备、存储介质和程序产品。

 本技术公开了基于双模式MRI和循环卷积神经网络的脑部靶点定位方法。本发明方法既可以单独处理一种模式，也可以同时处理T1和T2两种模式的磁共振成像数据；本发明总体结构采用循环卷积神经网络，可以直接处理图像序列；本发明使用单个神经网络，将分类和定位步骤二合一，进一步提升了计算效率；本发明使用了高分辨率网络结构，提升了计算精度；本发明使用了更完善的数据预处理技术，提高了方法的稳健性。通过这些创新，本发明的方法在前述基于卷积神经网络的方法之上进一步提高了精度、效率和灵活性。

 本技术属于无人机智能交通技术领域，公开了一种基于无人机实时视频流的道路事件识别方法及系统。该方法对收集的无人机影像中的车辆进行标注，使用YOLOv8算法对积累的无人机车辆标注数据集进行训练；将训练后YOLOv8模型应用到无人机采集的实时视频中进行车辆识别，截取识别视频帧中车辆的位置信息；基于视频中前后关联的两张无人机图片中的车辆移动数据，确定车辆的行车区域和行驶方向；巡检中线的方向向量设为无人机的行进正方向，在同一坐标系内计算车辆在左侧车道、右侧车道行驶的方向向量之间的夹角，根据夹角对车道上的车辆进行逆行判断。本发明相比传统地面个别路段布设监控，人工查看，大大提高了监测效率。

 本技术提供一种基于YOLO‑BBR的柑橘果树冠层边缘分割方法，包括构建柑橘果树冠层数据集；构建YOLO‑BBR分割模型；使用霜冰优化算法RIME对YOLO‑BBR分割模型的超参数进行优化；对训练好的YOLO‑BBR分割模型进行验证。本发明将BoTNet模块、BiFPN网络和霜冰优化算法融合进了YOLO模型，得到YOLO‑BBR分割模型，使得模型提高了提取局部信息的能力，同时还减少了参数，从而使延迟最小化，且模型融合不同尺度的特征，提高图像特征表达，从而更加利于模型进行分割图像；通过霜冰优化算法使得不需要改变模型网络结构，利用群智能的寻优迭代机制快速收敛并获得最有超参数组合，进而提升模型性能。