本技术涉及自动驾驶技术领域，并公开了一种车辆车门检测方法、装置、存储介质及自动驾驶方法。该检测方法包括:获取主车行驶方向上的目标车辆的图像，该目标车辆的图像包括：当前和上一帧图像；根据获取的图像，得到图像的特征图；将特征图输入分类网络模型和检测网络模型中，分别得到分类结果和检测结果；融合分类结果和检测结果，得到目标车辆的车门状态检测结果。本实施例，通过融合分类网络模型和检测网络模型的结果来确定车门的状态，从而能够得到更稳定和准确的检测结果。

本技术公开了一种出光区域分隔布置FOV的AR‑HUD畸变校准方法，包括以下步骤:获取结构光图像的投影图像解码图案；使用视点相机拍摄AR‑HUD投影出的结构光图像并解码；根据解码后的样本图像确定AR‑HUD的实际出光区域或边缘；在出光区域内部确定与投影图像有明确对应关系的点阵，并计算对应关系；确定样本图像上的基准点阵及其特征；根据基准点阵确定对应的投影图像上的点阵；计算基准点阵与对应的投影图像上的点阵之间的差异，获得预畸变量；根据预畸变量确定预畸变参数。本发明通过在AR‑HUD的实际出光区域内确定无畸变虚像，利用结构光图像直观地反映出光区域或其边缘，并基于此确定基准点阵，进而计算预畸变参数，实现了更宽广、更准确的AR‑HUD显示效果。

本技术公开了一种基于卷积神经网络模型的设备台账管理系统，涉及电子台账技术领域，所述系统包括:设备图像获取模块，设备图像处理模块，设备台账数据管理模块；其中，所述设备图像获取模块用于获取远程图像采集装置采集的图像；所述设备图像处理模块用于对所述采集的图像进行图像识别确定图像中的机柜信息和主机信息；所述机柜信息包括机柜编号，所述主机信息包括主机的位置、型号、制造商信息，内部配件信息及占用机柜的空间大小；所述设备台账数据管理模块用于获取和存储所述机柜信息和主机配置信息。这样，实现高效的图像识别和自动信息更新，提高了机房设备信息管理的准确性和效率。

 本文涉及一种基于生长早期短时序SAR影像的水稻识别方法，其中，方法包括:获取目标区域内水稻生长早期时序SAR数据，并对水稻生长早期时序SAR数据进行预处理，以得到标准早期SAR数据；采集目标区域内水稻生长的目标历史SAR数据，并根据目标历史SAR数据计算目标区域的水体后向散射值和植被后向散射值，且基于水体后向散射值、植被后向散射值和标准早期SAR数据计算目标区域的水稻判别指数；利用预设的SSSI阈值分割水稻判别指数，以得到指数分割结果，并根据指数分割结果提取目标区域内的水稻种植范围，且通过水稻种植范围识别目标区域的水稻最早识别期。由此，解决了现有的水稻早期提取方法较为依赖先验知识，且区域推广能力较弱等问题。

 本技术提供一种恶性细胞识别方法及装置，该方法包括:获取待检测标本图像，待检测标本图像是基于快速现场评价技术采集得到的；将待检测标本图像输入至恶性细胞识别模型，得到恶性细胞识别模型输出的恶性细胞识别结果，恶性细胞识别结果包括待检测标本图像中所包括的恶性细胞数目及各恶性细胞在待检测标本图像中的位置；恶性细胞识别模型是基于数据增强的样本集对初始恶性细胞识别模型进行训练得到的，数据增强的样本集中的样本图像的真实标签为目标样本图像中所包括的恶性细胞真实数目及各恶性细胞的真实位置；初始恶性细胞识别模型是以YOLOv5模型为基础模型，对YOLOv5模型的模型参数进行轻量化得到的。

 本文提出了一种基于低频重采样的卫星图像几何校正方法，该方法包括:获取已有的L1级合成孔径雷达SAR图像产品的基础数据，根据基础数据计算L1级SAR图像对应的通用横轴墨卡托UTM投影范围；根据UTM投影范围计算L1级SAR图像的观测区域在最小外接矩形中的旋转角度，并基于基础数据将观测波束范围进行等分，计算每个等分区间对应的缩放比例；将每个等分区间的像素点按照对应的缩放比例进行低频重采样，并将重采样后的图像按照旋转角度进行旋转，获得几何校正后的L2级SAR图像产品。该方法极大缩减了SAR图像几何校正所需的时间，降低了计算复杂程度，提高了卫星图像几何校正的便利性和适用性。

 本文涉及一种工业互联网客户端网络流量控制方法、装置、设备及介质，方法包括:获取来自于工业互联网客户端中的各个网络连接请求的网络流量数据包；采用鲸鱼优化算法对网络流量数据包进行特征提取，以确定流量特征组合，其中，流量特征组合包括总流量、上下行流量比特率、平均包长、总包数、重传包数、重传率包数、丢包率以及响应时延的任意多项；采用以流量特征组合训练出的流量识别模型，对网络流量数据包进行流量识别，以确定每个网络连接请求相对应的每个五元组的流量类型；根据每个五元组相对应的流量类型确定每个网络连接请求相对应的网络配置策略。本申请能够提升整体网络性能，优化用户体验。

 本文提供了一种锥束CT散射校正方法、装置、电子设备和存储介质。该方法包括:获取采集设备采集的两组工件的DR投影，以及散射校正板的单幅DR投影；基于两组工件的DR投影生成第一DR投影集和第二DR投影集；并基于第一DR投影集和第二DR投影集获得离散散射信号集；对单幅DR投影进行图像处理，获得孔洞区域；基于离散散射信号集和孔洞区域，结合CS理论建立L1范数约束模型，并通过ADMM算法求解，重构出完整散射信号；在第一DR投影集中扣除完整散射信号，获得校正后的DR投影。该方法能够提高散射校正的准确率。

 本技术公开了一种基于大语言模型的智能交互式专题图生成系统及方法，包括大语言模型模块、专题图模版库、智能数据源管理模块、智能制图引擎、交互式优化模块、用户交互配置模块、配置库、对外服务接口模块、模型数据质量校验模块、专题图个性化修正模块等组成部分。用户通过自然语言交互选择模版、指定数据源、描述绘制要求，LLM驱动智能制图引擎生成专题图，并支持用户进行精细化调整和实时优化，实现用户友好、高效、灵活的专题图制作。同时，系统具备数据质量校验、个性化配置、交互历史学习等功能，为非专业用户快速定制和精细调整专题图提供了有力工具，并极大提升了专题图制作的智能化水平和适应性。

 本文公开了一种图像去噪方法、装置、终端及存储介质，其能减少光滑区域中的噪声，避免边界区域的信息模糊和信息丢失。所述方法包括设置图像变量指向一待处理图像；设置预定数值和值为1的循环次数；在循环次数小于或者等于预定数值的情况下，执行以下步骤:采用基于结构张量的多尺度图像边界提取算法提取目标点对应的边界信息，目标点是图像变量指向的图像中任意一个像素点；基于边界信息构建自适应指数型变分法；采用自适应指数型变分法计算图像变量指向的图像，获得优化图像，将图像变量指向的图像修改为优化图像；在循环次数等于预定数值的情况下，将优化图像确定为目标去噪图像，并输出目标去噪图像；循环次数执行自加1运算。