医学成像学是医学领域的一个重要分支，目前最常见的医学成像方式主要包括：磁共振成像、计算机断层扫描、超声成像、X射线、正电子发射断层扫描等。医学影像是通过各种成像技术获取信息实体，医学影像三维渲染是医学成像领域使用的一种可视化技术，对于可视化解剖结构、精准诊疗、手术规划等具有重要意义。分析医学影像三维渲染技术在可视化效果优化的研究现状，首先介绍了2种基础的三维渲染技术，然后从优化技术和框架两方面入手，介绍当前三维渲染可视化的优化研究，比较不同技术的特点、使用环境以及优缺点，为相关研究人员选择不同的技术提供参考，最后从主观和客观两方面介绍如何评价三维渲染的可视化效果。讨论了在技术发展过程中，存在引入的算法复杂度高、渲染效率降低、算法实时性差的问题，并思考解决这些问题的方法，探讨优化三维渲染可视化效果的未来发展方向。

路面病害检测是实现道路损伤修复、确保行车安全的关键任务。针对现有路面病害检测算法精度低、成本高、模型参数大及难以应用于移动终端设备等问题，提出了一种基于改进YOLOv8n模型的轻量级检测算法YOLOv8n-GSBP。首先，通过在骨干网络引入C2f-GhostNetv2模块保证检测精度并实现了模型轻量化，同时在SPPF模块后加入SimAM注意力机制模块，增强了网络对路面病害特征提取与背景环境特征区分的能力；其次，通过在颈部网络更换BiFPN结构增强模型多尺度特征融合能力，提升精确度和鲁棒性的同时解决了路面病害尺度差异较大问题；最后，基于参数共享原理改进检测头，并引入空间通道重建卷积模块SCConv，实现了检测头的轻量化，降低了模型参数和计算量。在RDD2022数据集上的实验结果表明，YOLOv8n-GSBP路面病害检测方法相较于YOLOv8n网络mAP50虽只提高了0.3%，但参数量降低了55.6%、计算量大幅度降低至36.7%，实现了对道路病害的实时准确检测。通过与其他主流目标检测算法的对比，进一步验证了算法的有效性和优越性。

基于无人机航拍图像的异物检测是输电线路智能巡检中的重要环节。YOLO目标检测算法精度高、速度快，是目前的主流算法。但在进行输电线路异物检测时，由于异物目标尺度多变、特征不显著，易出现误检、漏检等问题，提出一种用于输电线路异物检测的YOLOv8模型(TFD-YOLOv8)。首先，在YOLOv8颈部网络构建双分支下采样模块，截留下采样过程中易丢失的尺度相关细节信息，实现语义信息和细节信息的高效融合，提升不同尺度特征图的信息一致性。然后，在主干网络插入混合增强注意力模块，同时提取图像的全局和局部特征，分别生成空间注意力和通道注意力，得到一个包含局部信息、全局信息、空间信息和通道信息的混合增强注意力，增强网络对目标关键特征的捕捉能力。实验结果表明，与基线模型相比，本文方法的平均检测精度提升了6.7%，准确率和召回率分别提升了12.9%和5.1%，与多个现有目标检测方法相比，该方法在检测精度和复杂度上均具有优势。

针对光伏电池表面缺陷特征提取困难以及检测的实时性和准确性问题，提出了一种基于DBBR-YOLO的光伏电池表面缺陷检测方法。首先，将多样化分支块(DBB)融入到YOLOv8n中Backbone部分的C2f模块中，引入多样化的特征提取路径，增强特征提取的能力；其次，将模型的Neck部分和Gold-YOLO进行融合，实现对不同层级特征的全局信息聚合和融合，提高了特征图之间的信息交互效率，增强了模型的特征表达能力；最后，引入SimAM注意力机制提高了特征的表达能力，以增强模型对微小缺陷或小目标的检测能力。实验选取5种光伏电池表面缺陷类型进行验证，结果表明：改进后的DBBR-YOLO模型mAP50值达到93.1%，相较于YOLOv8n提升了3.7%，FPS值达到了158.0，该模型在精度和速度方面的性能可以满足实时性、准确性的要求，能够应对光伏电池表面缺陷检测的实际应用场景。

当前以多头自注意力为代表的基于注意力机制的特征融合方法在很大程度上取决于特征间的相关性，其跨域融合能力有限，且特征融合后由于不同特征的域间差异，导致时空感知能力不足，有效融合2种跨域特征仍面临挑战。针对RGB特征和光流特征跨域表达能力不足、融合后特征的时空感知能力弱等问题，提出了一种基于注意力特征融合的视频异常行为检测方法。首先采用一种轻量级注意力特征融合模块(LAFF)构筑融合机制，进行RGB和光流特征的融合，进而在增强融合后特征表达能力的同时减少网络参数量，提高异常检测算法性能。在全局时空感知阶段，通过多分支卷积模块(DBB)增强特征时空感知能力，同时需兼顾计算复杂度和检测效果。在UCSD Ped2数据集上取得了99.85%的识别效果，在CUHK Avenue和LAD 2000数据集上表现同样良好，验证了该方法的有效性。

为有效解决车辆部件检测中模型由于特征提取不充分以及候选框未能充分利用导致的错检、漏检等问题，提出了融合改进Transformer的车辆部件检测方法。首先将多头自注意力和双层路由注意力结合，提出了关键区域多头自注意力(KR-MHSA)；然后将基线模型(Mask R-CNN)中ResNet的最后一层与KR-MHSA进行残差融合，提升了模型的基础特征提取能力；最后通过改进的Swin Transformer对模型生成的候选框进行特征学习，使模型更好地理解不同候选框之间的差异和相似性。实验在构建的59类车辆部件数据集上进行，对比实验结果证明，本文模型在检测和分割效果上均优于其他先进实例分割模型。相较于基线模型，检测准确率提高了4.47%，分割准确率提高了4.4%，有效地解决了车辆部件检测中特征提取不足和候选框未充分利用导致的错检、漏检和实例分割精度较低的问题，使保险公司能够更准确、更高效地更换损坏的部件，提高索赔效率。

由于地物信息的复杂性及变化检测数据的多元性，遥感图像特征提取的充分性和有效性难以得到保证，导致变化检测方法获取的检测结果可靠性较低。虽然卷积神经网络(CNN)凭借有效提取语义特征的优势，被广泛应用于遥感领域的变化检测之中，但卷积操作固有的局部性导致感受野受限，无法捕获时空上的全局信息以至于特征空间对中远距离依赖关系的建模受限。为捕获远距离的语义依赖，提取深层全局语义特征，设计了一种基于Swin Transformer的多尺度特征融合网络SwinChangeNet。首先，SwinChangeNet采用孪生的多级Swin Transformer特征编码器进行远距离上下文建模；其次，编码器中引入特征差异提取模块，计算不同尺度下变化前后的多级特征差异，再通过自适应融合层将多尺度特征图进行融合；最后，引入残差连接和通道注意力机制对融合后的特征信息进行解码，从而生成完整准确的变化图。在CDD和CD_Data_GZ 2个公开数据集上分别与7种经典和前沿变化检测方法进行比较，CDD数据集中本文模型的性能最优，相比于性能第二的模型，F1分数提高了1.11%，精确率提高了2.38%。CD_Data_GZ数据集中本文模型的性能最优，相比于性能第二的模型，F1分数、精确率和召回率分别提高了4.78%，4.32%，4.09%，提升幅度较大。对比实验结果证明了该模型具有更好的检测效果。在消融实验中也证实了模型中各个改进模块的稳定性和有效性。本文模型针对遥感图像变化检测任务，引入了Swin Transformer结构，使网络可以对遥感图像的局部特征和全局特征进行更有效地编码，让检测结果更加准确，同时保证网络在地物要素种类繁多的数据集上容易收敛。

当前基于深度学习的表面缺陷检测方法主要侧重于单独识别缺陷实例，即仅从区域特征方面考虑缺陷检测。然而，这种方法忽略了缺陷之间的高层关系，难免会出现缺陷检测误差。针对上述问题，提出了一种融合先验知识推理的表面缺陷检测网络(PKR-Net)。PKR-Net主要由2个部分组成，即显性知识推理模块(EKRM)和隐性知识推理模块(IKRM)。EKRM通过构建显性关系图(ERG)来捕获数据集中缺陷之间的全局共现关系得到共现关系特征，而IKRM通过构建隐性关系图(IRG)来捕获图像中缺陷之间的局部空间关系得到空间关系特征。最后将得到的共现关系特征和空间关系特征进行融合，并重新送入分类层和回归层以改进检测效果。在工业缺陷数据集Textile，NEU-DET和GC10-DET上进行实验验证，实验结果表明，该网络模型相比基线模型Faster RCNN，其mAP分别提升了14.8%，8.2%和18.9%，与其他缺陷检测模型相比能够达到更好的检测性能，验证了模型的有效性。

目标检测是计算机视觉领域中的一项重要任务，旨在从图像或视频中准确识别和定位感兴趣的目标物体。本文提出了一种改进的目标检测算法，通过增加特征融合、优化编码器层间传递方式和设计随机跳跃保持方法，解决一般Transformer模型在目标检测任务中存在的局限性。针对Transformer视觉模型由于计算量限制只应用一层特征，导致目标对象信息感知不足的问题，利用卷积注意力机制实现了多尺度特征的有效融合，提高了对目标的识别和定位能力。通过优化编码器的层间传递方式，使得每层编码器有效地传递和学习更多的信息，减少层间信息的丢失。还针对解码器中间阶段预测优于最终阶段的问题，设计了随机跳跃保持方法，提高了模型的预测准确性和稳定性。实验结果表明，改进方法在目标检测任务中取得了显著的性能提升，在COCO2017数据集上，模型的平均精度AP达到了42.3%，小目标的平均精度提高了2.2%；在PASCAL VOC2007数据集上，模型的平均精度AP提高了1.4%，小目标的平均精度提高了2.4%。

针对输电线路螺栓金具缺陷检测任务中存在的缺陷样本类间分布不均、缺陷微小特征提取困难等问题，提出基于改进YOLOv8和语义知识融合的输电线路螺栓缺陷检测方法。首先，通过深入分析数据样本中螺栓金具缺陷种类与该螺栓承载金具种类之间的关系，完成语义关联构建工作；之后，在YOLOv8模型Neck部分引入BiFusion和RepBlock模块，增强模型的特征提取能力；其次，使用改进的融合语义知识校正权重的Loss函数，进一步提高训练模型的准确性，减少误检的发生；最后，分别完成基线选取实验、消融实验、超参数调整实验以及对比实验。实验结果表明，相较于Baseline模型，改进YOLOv8方法在平均精确率(mAP)上提升了4.0%，在关键少样本类精确率上提升了24.6%，可有效提高输电线路螺栓金具缺陷检测的效果，该语义关联构建及语义知识融合方法具有一定的泛用性，为输电线路无人机智能巡检领域提供了新的方法支持。

针对目前道路病害检测方法参数量较大、小目标病害检测效果差且易出现误检、漏检的问题，提出一种基于改进YOLOv7-tiny的道路病害检测算法。引入深度可分离卷积(DSC)和无参注意力机制(SimAM)设计ELAN-SimAM-D结构，减少计算量和参数量以实现轻量化，同时加强模型的特征提取和特征融合的能力；引入自适应指数加权池化和自适应融合设计SPPAda结构作为空间金字塔池化结构，增强道路病害信息的保留程度，降低病害的漏检；新增P2小目标网络层，加强对较小目标病害的检测能力，提高模型的检测精度；设计新的损失函数NWD-EIOU替换原CIOU损失函数，提高小目标定位的精度。实验结果表明，相较于原始的YOLOv7-tiny算法，改进后的YOLOv7-tiny算法在自建实验数据集下mAP@0.5达到83.14%，提升了3.50%，召回率上提升了4.96%，模型的参数量降低了33.84%，能够满足道路病害检测的需求。

视觉有意义图像加密方案(VMIE)由于能够将加密图像隐藏在明文图像中而不会引起攻击者的怀疑，受到了研究人员的关注。为了提高系统在容量和安全性方面的性能，提出了许多基于压缩感知的VMIE方案。然而，在这些方案仍难以有效解决密钥管理问题。为此，提出了一种基于孪生物理不可克隆函数和压缩感知的VMIE方案。首先，将完整的密钥种子嵌入到载体图像中，以实现公共网络密钥交换并避免额外的通信消耗。由于密钥种子经过了加密和编码操作，安全性和鲁棒性得到了保证。随后，使用哈希算法迭代扩展密钥种子以生成密钥流。实验结果表明，该方案可以实现安全性、嵌入容量和鲁棒性的平衡。

针对三维重建对细小特征及边缘区域重建欠佳的问题，提出了一个基于特征对齐与上下文引导的多视图三维重建网络，即AGA-MVSNet。首先，构建了一个特征对齐模块(FA)与特征选择模块(FS)，能够将特征金字塔不同层级的特征先对齐之后再进行融合，提高对小尺寸物体和边缘区域的特征提取能力；然后，在代价体正则化中加入了一个上下文引导模块，该模块能够在略微增加运行内存的情况下充分利用周围信息，增强成本体积之间的相关性，提高三维重建的精度与完整度；最后，在DTU数据集上进行了实验，实验结果表明，该方法相比于基准网络CasMVSNet精度提升了2.2%，整体重建质量提升了2.5%。此外，在Tanks and Temples数据集上的表现相较一些已知的方法也十分优异，且在BlendedMVS数据集上也生成了不错的点云效果。

染色体分类是核型分析中的重要任务之一。尽管残差神经网络已经在染色体分类领域取得了显著成就，但由于部分染色体具有长度较短、分类特征难以识别以及形态相似度较高的特点，使得其分类仍然具有挑战性。提出了基于空间信息关注和纹理增强的染色体分类模型(SIATE-Net)，以Inception_ResNetV2模型作为骨干网络提取染色体的深层特征，自注意力机制和深度可分离卷积的引入能够更好地关注和保留短小染色体的空间信息。染色体长度较短易造成显带信息混淆，模型融入了纹理增强机制以扩大染色体间的差异性，为分类任务增加更多的判定依据。SIATE-Net模型分别在私人数据集与公开数据集上进行验证，分类性能明显优于其他方法，尤其是短小染色体。在私人数据集上，SIATE-Net模型表现出了最佳的总体分类准确率98.05%，短小染色体分类精度高达97.42%。在公开数据集上，SIATE-Net模型的总体分类准确率为98.95%，而短小染色体也达到了98.51%。实验结果表明，具有较强针对性的自注意力模块、深度可分离卷积和纹理增强模块在不降低整体分类准确性的前提下，能够有效地解决短小染色体分类任务。

针对目前非受控环境下自由视点合成易受高度可变的照明条件、相机参数等因素影响的问题，提出一种近似可微延迟逆渲染管线(ADDIRP)，通过在延迟逆渲染管线中加入基于物理的相机模型，实现准确模拟相机的光学成像过程。首先，根据输入图像及对应位姿分别创建光度相机模型和几何相机模型，其中光度相机模型由曝光、白平衡等可学习参数表示，几何相机模型由可学习的内参和外参表示。其次，利用渲染图像与目标图像的图像空间损失对管线各组件进行优化，使延迟逆渲染管线对复杂多变的光照和粗糙拍摄的图像具有较强的鲁棒性。最终，生成与传统图形引擎兼容的3D内容重建。实验结果表明，与已有方法相比，ADDIRP在现实世界数据集上具有更优的性能，在合成数据集上，在保证合成质量相近的前提下，具有更出色的视觉感知一致性。

利用施工现场监控视频或图像对工人进行精确检测，可为施工安全智能化管理提供基础支持。然而，较远的监控距离使得工人在画面中以小目标的形式出现，加之现场环境复杂多变，给工人检测带来了挑战。为此，本文提出了一种融合改进的YOLO模型与帧差法的小目标工人检测方法。一是通过改进YOLOv5模型对静态工人进行检测，即引入切片辅助推理(SAHI)获取小目标工人更清晰的特征，添加小目标检测头确保小目标对象特征的完整性，利用高效通道注意力机制(ECA)提高对小目标的检测效果；二是通过帧差法对图像特征较弱的运动工人进行检测，一定程度上弥补图像检测的不足。该方法在自建数据集上进行了验证，结果表明：改进后的YOLOv5模型F1-Score提升了11.3%，平均精确均值(mAP)提升了12.5%，而融合帧差法后的综合方法对小目标工人的检出率提高了3.6%，达到了84.2%，FPS达到6帧每秒，能更好地满足施工现场工人检测的需要。

为解决因衬砌裂缝性状随机、分布密集、标注框分辨率低所导致的现有模型识别精度低、检测速度慢及参数量庞大等问题，以第2版可变形卷积网络(DCNv2)和端到端变换器解码器(Transformer Decoder)为基础对YOLOv8网络框架进行改进，提出了面向衬砌裂缝的检测模型DTD-YOLOv8。首先，通过引入DCNv2对YOLOv8主干卷积网络C2f进行融合以实现模型对裂缝形变特征的准确快速感知，同时采用Transformer Decoder对YOLOv8检测头进行替换以实现端到端框架内完整目标检测流程，从而消除因Anchor-free处理模式所带来的计算消耗。采用自建裂缝数据集对SSD，Faster-RCNN，RT-DETR，YOLOv3，YOLOv5，YOLOv8和DTD-YOLOv8的7种检测模型进行对比验证。结果表明：改进模型F1分数和mAP@50值分别为87.05%和89.58%；其中F1分数相较其他6种模型分别提高了14.16%，7.68%，1.55%，41.36%，8.20%和7.40%；mAP@50分别提高了28.84%，15.47%，1.33%，47.65%，10.14%和10.84%。改进模型参数量仅为RT-DETR的三分之一，检测单张图片的速度为16.01 ms，FPS为65.46帧每秒，对比其他模型检测速度得到提升。该模型在面向运营隧道裂缝检测任务需求时能够表现出高效的性能。

由于直升机组件数量多且组件之间约束关系复杂，传统的装配序列规划方法存在指数爆炸和易陷入局部最优解的问题。为了应对装配序列求解时间随组件数量指数增长和多约束关系矩阵运算复杂的难点，引入知识图谱(KG)建立直观的语义装配信息模型，并提出了一种基于KG的直升机部件装配序列规划方法。首先，基于三维模型解析和知识推理技术实现结构信息和约束关系等关键装配信息的提取。其次，基于本体构建KG形式的装配信息模型。最后，利用带反馈的图规划算法从KG中求解直升机部件的装配序列。KG提供的优先关系减少了算法搜索空间，在优先关系的约束下，带反馈的图规划算法以装配方向改变次数最小和装配工具变化次数最少为目标，逐步规划序列并反馈规划结果以避免重复搜索。直升机的中机身中段部件被作为实验对象以验证该方法的有效性，对比启发式算法能获得更高适应度值的装配序列且求解时间更短。

通过设计驱动创新与颠覆性创新的理论研究，提出了包含意义发掘、功能系统调整、产品语言表达3个阶段的设计驱动产品颠覆性创新过程模型，以完善设计领域对于颠覆性创新方法的研究。首先基于SET洞察市场趋势设想新意义，由内而外接受批评以发掘可行性意义；然后对目标用户进行研究，运用AD将功能需求转化为设计参数，并与源产品技术对比进而进行技术调整，获得颠覆性创新技术解；接着将新意义特征及提升、添加技术所对应的部件确定为意义诠释区域，并采用类比推理选取样本；最后通过相似性分析确定设计原型并提取其特征要素，利用可拓变换优化产品语言表达，获得颠覆性创新产品语言解。以电动轮椅设计为实例验证了该模型的可行性，为其他设计驱动的产品颠覆性创新提供参考。

针对全民健身运动人们对于可穿戴运动护具产品不断增长的使用需求，需解决现有预制型护具中存在的防护性能不足、运动穿戴匹配度低等问题。首先，采用逆向工程、服装压力计算理论等关键技术与方法对皮肤形变、护具压力等关键参数进行采集，定性与定量分析了人体运动过程中，下肢皮肤形变与曲率压力分布区域变化规律，并构建人体膝关节护具功能分区模型；其次，根据不同划分区域，完成了膝关节变刚度护具分区结构设计；然后，采用有限元仿真方法构建膝关节-护具有限元模型，对比分析多组护具穿戴条件下的接触压力分布规律；最后，结合护具穿戴压力与肌电采集实验，验证膝关节变刚度护具可以有效优化膝关节压力分布，提高穿戴贴合度和提升运动表现。

针对当前风格迁移模型在处理乳源瑶绣图像时存在的局限性，尤其是难以有效处理抽象几何形变和生成图像中噪点较多的问题，提出了一种SA-CycleGAN的乳源瑶绣风格迁移模型。通过融入自注意力机制，同时将生成对抗损失的目标函数替换为WGAN，显著增强模型对乳源瑶绣风格特征的捕捉能力，从而优化了风格映射的质量。在应用中，该模型不仅为乳源瑶绣图案的自动生成和在线设计系统提供了坚实的技术支撑，也推动了相应数据库和数字共享平台的构建。通过严谨的对比实验，验证了优化后的SA-CycleGAN模型生成的乳源瑶绣纹样因子在评价指标上表现优异，其FID值相较原始CycleGAN模型降低了16.1%，而IS值相对提高了13.2%，图像质量得到显著提升，且视觉上更为贴近原始的乳源瑶绣风格。乳源瑶绣图案设计系统的建立大幅提升了设计效率，为民族纹样的传承与创新注入了新的活力与价值。

为帮助设计人员在智能汽车造型设计早期更好地控制内外饰传达的整体意象，提出一种基于眼动实验，结合感性工学理论的智能汽车内外饰造型意象耦合度评价方法。以耦合理论为核心，通过调研获取感性意象词汇集和内外饰并存图库，引入观察距离作为调剂因子统一内外饰意象评价，运用语义差分法构建内外饰总体意象空间并获取意象过渡线；运用眼动实验获取车内外关键设计要素及客观认知权重，经专家评审修正后计算其综合权重并与意象评分结合，探索基于意象认知耦合的智能汽车内外饰造型耦合度评价方法。该方法以3款智能汽车为评价对象，将评价结果与语义差分所得评分进行对比验证，结果表明该方法准确性良好，可以指导后续智能汽车内外饰造型耦合设计。