本技术涉及图像处理技术领域，公开一种图像估计方法、电子设备及存储介质，在训练初始神经网络模型时，通过在第一损失函数的基础上加入第二损失函数，其中，第二损失函数为回归损失函数与权重系数的乘积，权重系数包括注意力权重，所述注意力权重用于调节训练样本图像中像素点的深度在损失计算时的权重，使得初始网络模型在进行损失计算时，能够关注到训练样本图像中深度值较大的像素点，从而，能更加准确的估计出训练样本图像中深度值较大的像素点深度值，进而根据训练后的预设卷积神经网络模型估算待识别图像时，能够准确的输出待识别图像的深度图，进而提高了待识别图像中背景像素点的深度值预测的准确性。

本技术属于人脸检测技术领域，具体涉及一种基于火车驾驶室场景下疲劳驾驶检测方法，利用深度学习方法首先进行人脸检测，人脸关键点检测68个关键点，并利用68点计算眼部区域双眼之间的距离，嘴唇之间的距离，利用68点转欧拉角计算头部转向等三种状态进行疲劳状态的第一步判断。之后再提取眼睛部位的视觉特征建立视觉模型进行睁闭眼判断以提升视觉特征的辨别能力，然后结合嘴唇区域睁开闭合特征进行打哈欠判断，并根据睁闭眼和打哈欠频率进一步判断驾驶员是否疲劳，减少单一特征的误判，并减少因为误判导致的误报信号，所以本方案在检测准确性方面采用两种优化策略结合的方案，可以准确的检测出人脸疲劳状态。

本文提供一种基于动态量化的图像缺陷检测网络推理加速方法及系统。其中，采集图像数据，并对所述图像数据进行预处理；基于预处理后的图像数据，利用预先训练好的图像缺陷检测网络进行推理，得到初步推理结果；根据所述图像数据的统计特性，动态调整所述图像缺陷检测网络中的量化参数，得到优化后的量化参数；根据优化后的量化参数，重新进行推理，得到优化后的推理结果。本申请提供的技术方案提升了模型在不同应用场景下的适应性和灵活性，而且有效节约了计算资源。

本技术公开了一种图像修复方法、装置、计算机设备及存储介质，该方法包括:获取待修复图像及其掩膜图像，提取掩膜图像的最小外接矩形；获取计算机的存储信息，设置最大可运行图像尺寸；将最小外接矩形的尺寸与最大可运行图像尺寸进行比较，根据比较结果对最小外接矩形进行调整，得到裁切坐标；分别对待修复图像和掩膜图像进行裁切，得到裁切图像；将裁切图像输入至图像修复模型中，并由图像修复模型输出修复结果图像，然后将修复结果图像填充至所述待修复图像中。本发明根据实际可用的计算机资源进行图像调整，使得图像修复模型在部署运行时不会受到输入尺寸影响，从而在不影响模型算法效果的前提下，稳定且快速地运行算法模型，实现图像修复。

 本技术涉及智能交通技术领域，具体公开了融合机理与图像深层特征的低能见度行驶风险识别方法，构建多维度能见度机理特征指标体系，基于车载图像数据提取边缘特征、深度特征和介质传输系数特征的指标值；搭建卷积神经网络模型，通过微调大型数据集上的预训练模型引入跨域知识，获取车载图像的能见度深层特征；建立融合机理特征与深层特征的低能见度行驶风险辨识模型，利用自注意力机制自适应分配不同场景下的特征重要度；设置焦点损失函数，赋予低能见度难辨识样本更大的损失权重，再通过随机梯度下降算法更新模型参数，得到低能见度行驶风险辨识模型。

 本技术提供一种雨雾天气条件下的输电线路图像处理方法及装置，属于图像处理领域。该方法包括:获取待测输电线路对应的原始图像；将原始图像输入至多尺度特征融合网络，得到多尺度特征融合网络输出的无雾图像；无雾图像用于进行图像识别，以确定待测输电线路对应的故障检测结果；其中，多尺度特征融合网络包括：特征提取模块、特征交互模块和融合输出模块；特征提取模块的输入端用于接收原始图像，特征提取模块的多个输出端分别连接特征交互模块的多个输入端，特征交互模块的多个输出端均连接融合输出模块。本发明能够更好地图像细节信息，提升输电线路的故障检测精度。

 本技术涉及视网膜图像质量评估技术领域，具体公开了一种基于双路径频域交叉注意力融合的视网膜图像质量评估方法，包括以下步骤:步骤S1，获取RGB图像；步骤S2，通过对比度限制自适应直方图均衡算法对BGR图像质量进行预处理，获得CLAHE图像；步骤S3，将RGB图像和CLAHE图像输入双路径频域DenseNet121网络，通过频域注意机制算法对RGB图像和CLAHE图像特征进行提取；步骤S4，通过双交叉注意力算法对提取的特征进行细化，获取BGR图像与CLAHE图像的集成；步骤S5，通过线性分类器获得质量质量评估结果，本发明保留了重要的视网膜图像结构细节，还提高了模型对不同照明条件的适应性。

 本技术提出一种面向任意动态对象的光流语义SLAM方法，包括:获得连续的RGB图像，每隔八帧图像，利用基于深度学习的光流估计模块对当前和下一帧图像进行光流估计，生成光流图；利用显著性区域检测模块将光流图中的动态区域提取为掩码，在动态掩码中找出两个代表点提示语义分割模块进行分割，实现对任意动态对象进行剔除，消除动态对象对系统的干扰；利用轻量级CNN架构对剔除掉动态区域的图像提取并匹配特征点，将经特征匹配点和剔除动态区域之后的RGB图像和原始深度图送入ORB‑SLAM2的系统，凭借高质量的特征点提高定位和建图的精度。本发明提出了更高效的SLAM方法，更够具有更高的定位与建图精度，同时其能够在实际工程中具备较高的鲁棒性。

 本技术涉及机器视觉三维测量领域，具体涉及一种基于时域堆叠的自适应高动态范围测量算法及装置。该算法通过自适应参数选择公式，根据测量场景需求自动调整曝光时间和堆叠次数，确保测量精度并避免曝光误差。核心步骤包括:获取测量场景的相移条纹图，计算平均白场图及其调制度与强度的比例系数；根据白场图选择感兴趣区域，设置期望精度，并通过自适应参数选择方法计算出最佳的测量参数；最终对场景进行三维重建，获取与期望精度相符的测量结果。本发明还提供相应的测量装置，包括投影模块、图像采集模块和数据处理模块，能够高效、精准地测量高动态范围场景下的三维形貌，显著提升了测量效率和精度，同时优化了资源利用。

 本技术涉及烟支生产监控技术领域，具体涉及一种基于可解释图卷积神经网络的烟支质量控制图模式识别方法。方法包括:获取多个不同模式下的烟支控制图训练样本；提取每个烟支控制图训练样本的训练特征并生成特征测试集；构建多个分类网络模型，将每个烟支控制图训练样本对应的特征测试集分别输入多个分类网络模型中，获得多个分类预测结果数据和ROC曲线图；根据ROC曲线图筛选获得最优分类网络模型并输入SHAP解释器；计算特征测试集中每个特征对分类预测结果数据的边际贡献，并根据Shapley值生成高价值特征子集；使用高价值特征子集训练并获取目标图卷积神经网络；获取实际采集的烟支控制图样本，并输入目标图卷积神经网络中，完成模式识别。