针对现有复杂产品装配精度预测中未充分考虑粗糙表面对装配精度的影响，导致精度预测不准确及实际装配适用性不足的问题，提出一种考虑粗糙表面的装配精度预测方法。首先，构建装配精度信息模型，表达零件配合特征、几何公差及粗糙度信息，并以此为基础，构建装配精度知识图谱；其次，基于小位移旋量(SDT)理论建立几何公差表示模型，并研究平面零件及柱面零件粗糙表面模拟方法及小位移旋量表达式确定方法；再次，根据装配序列确定装配体偏差传递路径，并构建装配接触有向图，利用雅可比-粗糙表面模型实现装配精度预测。最后，以某型号工程机械曲柄连杆机构为例验证方法可行性，结果表明，该方法可实现装配精度的准确预测并对实际装配具有指导价值。

针对车险理赔客户上传的车辆损伤图像中存在损伤类型形态相似、分类困难的问题，提出了一种适用于车辆损伤分类的模型ResAWDNet。首先，为有效增强模型对损伤特征的提取能力，使用加权动态卷积代替原有的下采样操作，依据输入特征动态调整卷积核权重，提高模型对不同尺度和方向特征的适应性，从而更准确地捕捉损伤的细微差异。其次，为了使模型关注图像中的显著性判别区域和特征通道，在主干网络的卷积层后嵌入了双重注意力机制，同时学习空间和通道维度上的重要权重，提升模型对关键信息的捕捉能力，进一步提升模型在损伤分类任务中的决策准确性。最后，基于真实事故案例的车辆损伤图片数据集进行实验验证。实验结果表明，ResAWDNet模型在车辆损伤分类任务中切实可行且优势显著，整体分类准确率达到73.79%。与基线模型相比，ResAWDNet在多类损伤类型的分类上均展现出更高的准确率，有力地证明了该模型的有效性。

随着建筑信息模型(BIM)技术在工程设计领域的广泛应用，由Revit平台驱动的三维正向设计在上部结构中已形成了较为成熟的解决方案。然而，独立基础作为结构的重要组成部分，其三维建模与出图仍存在效率低、信息完整性差等问题，且因主流的结构分析软件数据接口封闭，直接提取基础数据库文件的配筋信息并同步至Revit构件属性也极具挑战。为此，利用Revit API与MVVM架构模式，提出了一种基于AutoCAD图层与字段识别的独立基础参数化建模算法。将YJK结构分析软件生成的基础平面布置与配筋标注图导入至Revit平台，通过图层识别方法计算基础中心定位坐标与平面尺寸，再根据基础与配筋标注的相对位置关系，建立两者间的匹配逻辑，进而利用字段识别获取基础对应标注中的编号、高度及配筋信息，并将其自动写入模型的族属性中。此外，通过提取模型属性与几何面参照，还实现了基础尺寸与配筋自动标注等功能。最后，以某冷柜自制厂房为工程案例开展了独立基础参数化建模及出图应用实践，并与常规方法进行了对比。结果表明，该算法能显著提高独立基础三维建模与标注出图效率，且对PKPM软件导出的计算文件具有良好的适配性。

在屋面工程设计中，设备检修动线的合理性直接影响检修效率与安全性，传统设计方法常依赖经验判断，难以在设计阶段充分评估动线设计的合理性。针对此问题，提出了一种基于图论及改进A*算法结合的混合算法，并结合建筑信息模型(BIM)技术，开发了一种基于该算法的屋面设备检修动线智能分析设计工具，通过数字化模型进行动线分析，弥补传统设计的不足。首先，采用碰撞检测与八叉树算法将屋面转化为带有权重的等效网格图；然后采用改进A*算法优化检修路径，综合考虑设备碰撞体积和空间限制，计算最优检修动线并评估动线区域深化设计合理性；最后，使用以该算法为基础的检修动线智能分析设计工具对实际项目进行实验。实验结果表明，该算法不仅能够精准揭示设计中可能存在的空间冲突和不合理布局，为优化设计提供数据支持，提高了设计的合理性和可操作性，且比传统人工设计效率提高了5倍以上。目前基于该算法的智能分析工具已在上海建工四建集团的多项实际项目中使用。

针对数字孪生(DT)技术与大模型在工业设计中融合应用的挑战，提出了一种基于生成式大模型的CAD-LDT数字孪生体建模框架。通过构建物理实体模块、智能生成模块和虚拟实体模块的三元架构，创新性地整合多模态数据融合机制与领域知识约束，实现从物理实体描述到参数化CAD模型的自主生成。采用LLaVA-7B和LLaMA-7B作为基础模型，通过LoRA轻量化适配器实现视觉-文本特征的跨模态对齐，并设计约束编码器将几何公差与物理规则转化为结构化JSON对象。为增强空间变换的数学一致性，引入李群算法优化刚体变换表征；采用几何权重分箱方法离散化复杂装配关系；提出时空解耦生成策略，协同规划空间布局与装配时序。在DeepCAD数据集上的实验结果表明，该框架在几何达到83.6%，约束满足率达91.3%，生成效率提升了26.5%，显著优于主流基线模型。消融实验进一步验证了多模态融合、约束编码机制和李群算法对建模质量的关键贡献。为智能制造领域提供了新的DT建模范式，在参数化设计、装配工艺优化等方面展现出工程应用价值。

针对点云分类分割方法中存在的高计算开销、复杂网络模型等问题，提出一种基于轻量级网络和加权随机森林(RF)的点云分类分割算法。该算法采用层次化的方式实现高效分类分割，首先针对传统神经网络层数多、计算复杂等问题，构造轻量级神经网络，并利用其提取点云的全局形状、区域间关系、曲率、法向量和颜色等特征，实现点云的快速粗分类分割；然后针对数据不平衡的问题，设计自适应分类分割策略，并引入加权RF，结合不一致度量筛选与动态加权优化机制，以实现点云精分类分割。在ModelNet40数据集上进行分类实验，在Semantic3D数据集和室外场景点云数据上进行了分割实验，结果表明，相比Local Geo-Transformer，PointNeXt和FastPointNet++等算法，该算法的分类分割精度分别提高了约1.9%，1.6%和1.7%，分类分割时间分别降低了约40%，30%和20%。由此可见，基于轻量级网络和加权RF的点云分类分割算法在保持较高分类分割精度的同时，可以有效缩短模型的训练时间，提高分类分割效率，是一种有效的点云分类分割算法。

肝脏局灶性病变(FLLs)检测对疾病诊断和治疗至关重要。传统检测方法面临诸多挑战，深度学习技术的应用为其带来新契机。鉴于此，系统综述了基于深度学习的FLLs检测方法，通过深入分析相关技术的优势与不足，为FLLs检测技术的发展提供了具体的研究方向。首先对肝脏放射影像的公开数据集进行了整理归纳，阐述数据预处理对提升模型性能的关键作用。其次，对比分析了基于卷积神经网络、Transformer以及知识蒸馏等技术的2D与3D检测算法，揭示了从局部特征建模到全局时空关联的技术演进路径。此外，深入探讨了针对多期相影像的时序特征融合方法，为动态病变表征提供了新思路。研究表明，现有方法在检测精度与效率上取得突破，但仍面临小病灶敏感性不足、跨设备泛化性弱及临床验证缺乏等挑战。未来研究需通过多中心数据协同、轻量化算法设计及可解释性增强等途径，加速深度学习在肝脏病变辅助诊断中的临床转化与应用。

小样本图像生成在医学成像、艺术创作等领域具有重要的应用价值。近年来，该任务取得了诸多研究成果，主流方法通常依赖将大规模源域数据集上预训练的生成模型迁移至目标域，以缓解目标数据稀缺带来的训练困难。然而，当源域与目标域之间存在显著语义差异时，直接迁移往往会引入不兼容的源域特征，从而引发生成图像真实性降低与风格一致性减弱等问题。现有方法虽通过静态剪枝(如固定阈值裁剪滤波器)去除冗余特征，但仍难以适应深度网络各层特征表达的动态演化规律，且易造成浅层通用特征被误删、深层冗余特征残留等问题，从而影响模型的迁移效果与生成质量。为此，提出了一种基于滤波器重要性估计的动态剪枝方法。首先，在训练过程中持续跟踪各层滤波器的Fisher信息变化，衡量其对图像生成质量的重要性程度。然后，结合Fisher信息构建了一种基于累积重要性权重的自适应剪枝机制，能够动态确定不同层级的剪枝比例，从而更精准地剔除冗余或不兼容特征的滤波器，保留通用的结构语义信息。实验在多个具有代表性的小样本目标域上进行，结果表明，该方法在生成图像质量指标(FID)和多样性指标(Intra-LPIPS)上显著优于现有方法。其中，在与源域语义相差较大的目标域中该方法FID优于现有最优方法，验证了其在跨域小样本图像生成任务中的稳定性与优越性。

传统3D点云分类方法在小样本类增量学习(FSCIL)场景下容易出现泛化能力不足和灾难性遗忘等问题。预训练语言-图像模型(CLIP)因具备丰富的2D形状先验知识，被证明能够有效提升3D FSCIL性能，但现有基于CLIP的框架在多模态特征提取与融合过程中仍缺乏灵活性与自适应性，导致增量阶段的分类准确率受限。为解决这些不足，提出了一种深度融合多模态特征的3D FSCIL方法，通过引入基于门控单元与残差块的自适应适配器实现多尺度特征对齐与冗余信息抑制，并设计基于自注意力机制的多模态全局特征动态融合模块，根据不同样本特性自适应调整多路特征的权重分配，从而获得更加一致且互补的融合表示。具体地，将点云渲染为多视角深度图，分别利用原始CLIP视觉编码器与在深度图上预训练的CLIP编码器提取特征，并结合点云几何特征，经自适应适配器处理后送入注意力融合模块，与CLIP文本编码器提取的语义特征对齐进行分类。此外，结合对比学习损失、多视角与几何扰动数据增强策略以及记忆回放机制，有效缓解小样本条件下的过拟合与遗忘问题。在ShapeNet、ModelNet及CO3D数据集上的实验结果表明，与现有主流3D FSCIL方法相比，该方法在各增量阶段均取得更高的准确率，且相对准确度下降率与最大阶段跳变率显著降低。

在建造场景所有安全事故中，碰撞事故被认为是最常见的伤害之一。为能有效预防监测碰撞事故的发生，采用计算机图形分析技术辅助碰撞检测分析，具有一定成效，但在检测的实时性与高精度的平衡上仍存在局限。为了解决这个问题，提出了一种基于动态体素化的碰撞检测方法，即融合空间动态体素树生成与资源动态球状体素化计算，构建了一种碰撞检测分析机制。核心思路在于：①基于拥挤度阈值，递归分割空间生成动态体素树，有效过滤非碰撞风险区域；②依据资源间相对距离和资源体积动态计算体素单元边长，实现体素粒度的自适应调节；③采用球状体素替代传统立方体体素，避免非轴对齐检测的计算负担；④引入空心化处理剔除内部无效体素，进一步优化检测效率。该方法能够在复杂动态建造环境中精准捕捉资源交互，显著提升检测精度并优化计算效率。实验结果表明，相较于传统方法，该方法在检测精度上显著提高，精确率与准确率分别达到94.64%与96.67%。在碰撞检测时间上，比多数现有方法更具效率，计算速度至少提升了11.36%。同时，研究分析了体素树深度、根节点尺寸和体素边长参数对性能的影响，并分析了不同规模场景的CPU资源与内存资源的消耗。消耗量处于可接受范围内，验证了其在建造场景的适用性。该方法为提升建造安全管理智能化水平提供了有效的信息化处理新思路。