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。

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。

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。

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。

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。

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。