本技术涉及精密仪器制造和精密测试计量技术领域，具体是一种基于UNet网络的微结构参数测量方法。首先，针对待测件的图像背景区域存在大量突出的纹理和划痕，采用了基于UNet网络的区域分割方法来提升分割的精度，克服噪声的影响。然后采集数据集并进行图像增强从而增强模型的泛化能力，通过水平翻转和垂直翻转丰富微结构的姿态，通过HSV色域随机变化，增强模型对不同光照环境的鲁棒性。分割得到目标区域之后进行边缘点提取进而进行拟合，由于加工缺陷的存在，在拟合之前需要剔除离群点。针对微孔结构的离群点剔除方式为:对边缘序列点进行连线，从而削去凸起的部分，最后取连通域最大的区域作为修复过后的特征区域；针对微沟槽结构的离群点剔除方式为：利用RANSAC算法进行多次迭代剔除，筛选出满足“正确解”的全部内点，再将符合最佳拟合的数据作为最小二乘法的输入进行拟合，可以更好地估计模型参数。本发明可以提高工件中微米级至毫米级的微孔和微沟槽的视觉测量精度。

 本技术公开一种对比学习辅助的双区平衡一致性学习的半监督图像分割方法及其系统。训练时构建图像分割网络架构，包括学生模型、教师模型、双区平衡一致性学习策略模块、利用硬负样本的对比学习模块、EMA模块；双区平衡一致性学习策略是根据不确定性进行划分，并通过损失权重来平衡模型对不同区域的关注度来提高一致性学习的整体效果。硬负样本的对比学习模块能够从一致性学习的分割结果中提取类样本，学习不同类的特征表示，同时利用硬负样本进一步提高分割结果中的类间对比和类内一致性。本发明平衡模型对高不确定性区域和低不确定性区域的关注度，以及分割结果中的类可分离性不足的问题，从而提高医学图像的分割准确性。

 本文提供了一种模型训练方法、高质量卫星图像检索方法和装置，可以通过第一神经网络模型得到样本卫星图像中每个对象的第一对象类别，以及各个第一对象类别分别对应的第一分类预测值，并可以进一步根据第一对象类别和第一分类预测值结合样本卫星图像自身的样本对象类别计算第一神经网络模型的第一模型损失值，从而可以通过第一模型损失值调整第一神经网络模型的模型参数，得到目标神经网络模型，由于对样本卫星图像的处理精确到了图像中的每个对象，因此，可以提升目标神经网络模型的预测准确率，在使用目标神经网络模型对查询图像进行处理以检索卫星图像时，可以提升最终得到的目标卫星图像与查询图像的匹配程度，提升图像检索查询的准确率。

 本技术公开了骶髂关节合成CT检查技术及其系统，属于医学影像处理技术领域，包括:数据输入：采用轴位3DT1MGE序列的MRI图像作为输入数据，确保图像质量满足后续处理需求；深度学习模型：设计并训练一个深度学习神经网络模型，该模型能够自动学习MRI与CT图像之间的映射关系，将MRI图像转换为具有类似CT特质的类CT图像；图像处理与优化：通过图像增强、去噪、边缘检测算法，进一步优化生成的类CT图像质量，确保其在显示侵蚀、硬化、强直病变时具有高分辨率和准确性。该骶髂关节合成CT检查技术及其系统，是一种有前景的影像学评估方法，它结合了MRI和CT的优势，提高了对骶髂关节病变的诊断准确性，同时降低了患者接受辐射的风险。

 本技术公开了强直性脊柱炎SPARCC和SPARCC SSS评分的自动评分系统，属于医疗信息化技术领域，包括:图像采集与处理模块：负责接收并预处理患者的MRI图像，包括图像去噪、增强对比，为后续的评分分析提供高质量的图像数据；特征提取模块：基于预设的算法，自动从处理后的图像中提取与SPARCC评分及SPARCCSSS评分相关的特征，如骨髓水肿区域、软骨下硬化程度；评分计算模块：根据提取的特征，按照SPARCC评分及SPARCCSSS评分的标准，自动计算并生成评分结果。评分计算包括累及范围、水肿强度、水肿深度等多个维度的综合考量；结果展示与报告生成模块：将评分结果以直观的方式展示给医生。该强直性脊柱炎SPARCC和SPARCC SSS评分的自动评分系统，能够快速评判、自动评分。

 本技术提出了一种基于四元组损失网络的视觉地点识别模型构建方法及系统，涉及机器人和计算机视觉技术领域，针对的问题是:传统视觉识别技术在环境条件因素变化、视角变化等场景下无法保持鲁棒性，模型识别准确性差。通过四元金字塔编码器，得到全局特征描述符，将全局描述符输入至哈希编码器生成全局哈希码；基于全局哈希码对四元损失网络进行训练；采用贝叶斯四元损失网络进行概率估计，构建的最大似然函数提取候选地点。通过多通道注意力机制和掩码特征融合，增强地点识别模型的多尺度特征表达能力，引入四元损失函数提高模型的泛化性能和匹配准确性，解决了传统视觉识别技术在环境条件因素变化、视角变化等场景下鲁棒性和准确性差的问题。

 一种基于边界感知的多尺度卷积网络对心脏超声图像分割的方法，涉及图像分割技术领域，通过整合多级边缘特征增强模块、特征融合模块和多尺度特征通道增强模块于基于边界感知的多尺度卷积网络中，显著提升了心脏超声图像分割的准确性和效率。特征融合模块深入挖掘和整合来自不同网络层的信息，提高了模型对复杂心脏结构的识别能力。多尺度特征通道增强模块为网络提供了更广泛的感受野和更丰富的尺度信息，有效应对了心脏图像中存在的尺度变异问题，进而实现了更为鲁棒和适应性强的心脏MRI图像分割。

 本技术涉及工业图像处理技术领域，具体是一种基于生成对抗网络的焊接弧光过滤方法。该方法包括:获取机器人焊接图像，利用Canny边缘检测算法生成弧光图像和无弧光图像的灰度图与边缘图，得到初始边缘图和灰度图序列；基于所述初始边缘图和灰度图序列，对边缘增强网络进行训练，通过对抗损失和L1损失生成完整边缘图；将所述完整边缘图与弧光图像输入至弧光过滤网络，利用残差卷积块注意力模块对弧光区域的纹理进行过滤和重构，生成无弧光图像；基于所述无弧光图像与完整边缘图，利用SSIM、PSNR等图像质量评价指标进行评估，生成图像质量反馈。本发明能有效恢复弧光区域细节纹理，提升视觉监控质量。

 本技术属于点云数据领域，公开了一种桥梁实景三维点云数据集的制作方法、装置及介质，所述方法包括:获取数据集制作需求；在数据集制作需求为桥梁部件的点云数据集制作需求时，获取桥梁模型中的若干桥梁部件；提取各桥梁部件的部件参数，基于各桥梁部件的部件参数和桥梁模型的参数构建桥梁部件的点云数据集；和/或在数据集制作需求为桥梁模型的点云数据集制作需求时，获取桥梁模型中各桥梁部件所对应的实体对象；对实体对象的面进行三角化和激光模拟扫描，得到实体对象的点云空间信息，根据实体对象的点云空间信息构建桥梁模型的点云数据集。本发明的数据集的制作方法，能够高效地生成符合深度学习需求的数据集。

 本技术公开了一种基于RTDETR的滑坡表面巡检方法，包括:收集获取现有开源滑坡类型数据集，对现有开源滑坡巡检数据集划分训练集、验证集及测试集，并对训练集的数据做特定场景数据增强和常规数据增强操作；构建基于ResNet的多尺度自适应卷积特征提取主干网络、基于CNN+Transformer的多尺度特征融合层、以及基于DETR解码层和自适应高阶匹配成本函数的检测头框架共同构成的滑坡表面巡检模型；使用训练集进行权重参数的学习，和经过验证集的进一步优化调整，最终由测试集完成对于滑坡表面巡检模型的测试，确定最终的检测结果；本发明大大提高了滑坡类型检测的准确度。