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。

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。

复杂成形装备的传统研制方式通常采用基于文档的系统工程(DBSE)方法开展，存在需求分析不完善导致研发缓慢、文本二义性导致需求覆盖不全、装备进展落后于技术迭代等问题，造成设计出的复杂成形装备存在设计指标不满足使用要求、反复修改致使设计效率低下等问题。因此，在复杂成形装备概念设计阶段，参考美国国防部体系结构框架(DoDAF)，结合基于模型的系统工程(MBSE)，提出了基于MBSE的复杂成形装备概念设计方法。并以全景、能力、运行、系统及标准共5类视角作为复杂成形装备概念设计的切入点，通过多类视角切入分析开展复杂成形装备顶层需求获取、需求细化分析、功能分析及系统建模共4层级设计，并使用系统建模语言(SysML)建立起11种模型，实现复杂成形装备概念设计阶段的数字化和流程化表达。最后，以超塑成形装备作为典型实例进行设计方法的应用演示。通过实际应用解决了传统设计方式痛点问题，表明了方法对复杂成形装备的正向研制有良好的指导作用。

随着人工智能技术的快速发展，多模态机器人在学前儿童的教育、娱乐及日常生活中扮演着日益重要的角色。现有研究多关注机器人单一感官线索对儿童感知的作用，但关于多感官整合效应仍缺乏系统性研究。为探究机器人多模态特征如何共同影响儿童的情感偏好和视觉注意力，招募318名4~6岁儿童参与1项眼动追踪实验。实验采用2(外观特征：拟人型、拟动物型)×3(声音引导：男声、女声、无)×2(手势引导：有、无)的三因素混合实验设计，以机器人外观特征(拟人型与拟动物型)和行为特征(声音、手势引导)为自变量，以儿童情感偏好和眼动指标为因变量，系统考察了多感官特征对儿童用户的影响。结果表明，在外观特征方面，拟人型机器人和拟动物型机器人在主观偏好评分上没有显著差异，但拟人型机器人吸引了更长的总注视时长、更多的注视次数和更短的首次注视时间，拟人型机器人在注意力指标上显著优于拟动物型机器人，儿童在视觉接触的初始阶段更容易被拟人型机器人所吸引，且拟人化设计在持续吸引儿童注意力方面更具优势。在行为特征方面，具有手势引导的机器人在主观偏好评分上显著高于无手势机器人，且吸引了更长的总注视时长和更多的注视次数。女声机器人在主观偏好评分上略高于男声，且两者均显著高于无声机器人。男声机器人在总注视时长上略高于女声，且两者均显著高于无声机器人。而女声和男声机器人在注视次数的差异不显著，但两者均显著高于无声机器人。具有手势引导和声音(尤其是女声)的机器人在主观评分和视觉注意力分配上表现更好，说明行为特征在增强儿童的情感偏好和互动体验中具有重要作用。此外，外观和行为特征对儿童情感偏好和视觉注意力的影响相对独立，未观察到显著交互作用。该研究揭示了机器人外观和行为特征对学前儿童情感偏好和视觉注意力的影响机制，为设计满足用户情感偏好的儿童机器人提供了科学依据。

针对现有图像匹配方法在大视角变换场景中匹配精度和匹配数量显著下降的问题，提出了一种改进的E-LoFTR图像匹配方法。首先，采用先视角调整后精细匹配策略，提出了一种新颖的双阶段SIFT视角矫正模块，该模块结合了尺度不变特征变换(SIFT)算法的视角不变性与单应性变换(homography)的几何对齐能力，提高了模型对大视角变换的适应能力。然后，设计了方向感知门控注意力机制，使用多方向卷积和动态门控的级联结构提取查询(Q)、键(K)、值(V)，注入的几何先验显著提升了模型的鲁棒性。最后，为了避免特征融合过程中的信息损失问题，使用Fusion-DySample上采样模块提升匹配性能。在公开数据集MegaDepth上的实验结果表明，所提出的方法在旋转误差阈值为5°，10°和20°下的相对位姿估计累计曲线下面积分别为57.1%，72.7%和83.9%，较E-LoFTR分别提升0.7%，0.5%和0.4%；在基于MegaDepth构建的全新数据集NewMega和私有工业数据集上，匹配点对数量和匹配正确率均显著提升。

在智能交通监控系统中，复杂场景下的小目标车辆检测面临特征分辨率低、遮挡干扰严重、模型计算冗余及边界框回归精度不足等挑战。为兼顾检测精度与边缘设备部署效率，提出一种基于动态稀疏注意力与轻量化双分支结构的改进YOLOv8检测框架。首先设计双向路由稀疏注意力机制(ReBiAttention)，通过双层动态路由筛选关键特征，增强对小目标浅层特征的保留能力；随后结合GSConv与VoV-GSCSP模块，在减小计算量的同时动态调整多尺度特征权重；并在检测头部分引入改进型DynamicHead结构，实现多任务自适应优化；最后改进ShapeIoU损失函数，引入形状与尺度感知机制，提升定位精度。在UA-DETRAC数据集上的实验表明，改进模型较基线YOLOv8n的Precision，Recall与mAP@0.5分别提升8.739%，1.685%和7.225%，参数量减少4.3%。该方法为复杂交通场景下的小目标车辆精准检测提供了高效解决方案。

航空发动机叶片作为发动机核心零部件，其表面微小缺陷可能导致严重安全事故，传统视觉检测技术受限于运动模糊、动态范围低及背景冗余等问题。针对上述挑战，提出一种基于动态视觉传感器(DVS)的航发叶片缺陷检测方法。动态视觉传感器数据格式为异步事件流，故也被称作事件相机，具有动态范围大、高帧率和微小目标捕捉能力强等优势。首先搭建基于DVS的缺陷检测平台，探索总结了其成像特点及优势。在此基础上，构建首个基于DVS的航发叶片缺陷检测数据集(EDD-AB)，涵盖划痕、点痕、边缘损伤3类缺陷近6 000张图像，精细标注近1.2万个目标标签，数据集已开源(链接： https://github.com/NiBieZhouMei5520/EDD-AB.git)。进一步提出基于异步事件流帧聚合的多尺度缺陷检测算法(AEAF-ABDD)：通过固定时间窗的帧聚合技术实现事件流可视化；构建多分辨率自适应特征金字塔网络(MRAFPN)增强多尺度缺陷特征提取能力；引入轻量级SimAM注意力机制强化关键区域聚焦；融合星形卷积模块(StarNet)提升高维非线性特征映射效率，实现复杂曲面工件多尺度缺陷的精准检测。实验表明，AEAF-ABDD在EDD-AB数据集上的平均精度均值(mAP)达97.7%，检测速度达105帧/秒，显著优于主流算法，为高反光曲面工件的自动化质检提供了高效解决方案，推动了DVS在工业检测领域的应用。

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。