随着大数据、人工智能等新兴技术的不断发展和应用，算法模型驱动的图形用户界面自动化和智能化趋势正以前所未有的速度改变着传统的依赖人工绘制的图形用户界面设计方式。用户界面自动生成不仅是解决人机交互设备多样化、功能复杂化、需求个性化等挑战的必然选择，也为人机协同的智能用户界面设计提供了新范式。为了进一步拓展开发人员和研究人员对图形用户界面自动生成前沿技术方法和应用案例的理解及应用，阐述了当前人机交互和人工智能交叉领域下的图形用户界面自动生成及智能评估相关技术的现状，分析了目前图形用户界面自动生成的技术路径、算法模型、设计方法以及评估框架，特别介绍了基于人工智能内容生成技术(AIGC)的图形用户界面自动生成技术进展及其对现有用户界面设计范式带来的新挑战，并总结了图形用户界面自动生成技术的发展趋势和机遇。

为了提高交通标志检测的实时性和可行性，提出了一种基于YOLOv8s的轻量化交通标志检测模型。首先，用FasterNet中的残差模块FasterNetBlock替换C2f模块中的BottleNeck，降低模型参数量和计算量；其次，用一种小目标检测层去替换大目标检测层，降低Backbone中网络层数，实现大幅度提高检测速度和降低参数量；最后，用Wise-IOU替换原CIOU损失函数，提高速度和精度。在TT100K交通标志数据集上验证，其与YOLOv8s模型比较，mAP50提高了5.16%，参数量降低了76.48%，计算量降低了13.33%，FPS快了35.83%。与其他模型相比，mAP50平均提高了15.11%，参数量平均降低了85.74%，计算量平均下降了46.23%，FPS平均提高了31.49%。该模型具有检测精度高、参数量少、计算量低、速度快等优点，较原算法有很大地提升，且与其他先进的交通标志检测模型比较时表现出了很强的竞争力，在交通标志检测中具有较大优势。

针对餐饮后厨工作人员着装不规范，在复杂背景下采用现有算法检测精度低且易出现误检、漏检等问题，提出一种基于YOLOv5s的着装规范检测改进算法YOLOv5s-ESW。首先，在主干网络引入新型多尺度注意力机制改进C3模块，增强网络的特征提取能力；其次，在颈部网络中采用空间和通道重建卷积模块(SCConv)替换原始网络中的卷积模块(Conv)，减少模型参数冗余，同时提升模型的精度；最后，在预测部分引入WIoU损失函数更换CIoU损失函数，提高模型泛化能力，加快收敛速度。将改进算法应用到自建餐饮后厨工作人员着装数据集中进行实验，实验表明，改进后的模型检测平均精度提升了4.1%，参数量减少了11.4%。该模型在提高了检测精度的同时降低了网络复杂度，能够满足餐饮后厨工作人员的着装规范检测的要求。

针对橡胶密封圈表面缺陷传统检测效率低下的问题，提出一种改进YOLOv7-tiny的橡胶密封圈表面缺陷检测算法。在主干特征提取网络中引入PConv优化ELAN结构，增强算法特征提取能力，并减少参数量；在特征融合网络中引入全局注意力机制(GAM)，利用每一对三维通道、空间宽度和空间高度之间的注意力权重，在3个维度上捕捉重要特征来提高效率，增强算法特征融合能力；使用WIoU损失函数优化原边界框损失函数，通过符合情况的梯度增益分配策略，增强算法对检测目标的定位能力；增加P2小目标检测层，加强深层与浅层特征信息的融合，增强算法对小目标缺陷的检测能力。在O-Rings数据集进行实验对比，改进后的算法与YOLOv7-tiny算法比较，mAP提升了7.8%，达到了90.9%的检测精度，能够满足实际工业生产需求。

单目深度估计是由单幅彩色图像预测出一幅稠密的深度图像。针对目前单目深度估计算法存在边界模糊、上下文信息捕捉能力不足等问题，提出了一种结合金字塔结构和注意力机制的单目深度估计算法。算法采用编码器-解码器的总体框架，其中编码器选用PVTv2网络，目的是利用Transformer网络在建模全局信息方面的优势以获取更充分的全局语义信息；解码器由深度估计主分支和2个金字塔子分支组成。深度估计主分支通过空间和通道注意力机制来自适应地关注编码器和解码器特征间重要的特征区域和特征通道；拉普拉斯金字塔子分支和深度残差金字塔子分支旨在从彩色图像和深度估计主分支深度特征中学习到丰富的局部信息并传递到深度估计主分支，进一步解决单目深度估计中细节缺失、结构混乱等问题。实验结果表明，与先进的算法P3Depth相比，在室内公开数据集NYU Depth V2上，该算法的δ_1.25阈值精度提升了1.22%，绝对误差和根均方误差分别降低了5.8%和2.8%；而在室外公开数据集KITTI上，该算法的绝对误差、根均方对数误差和根均方误差分别降低了8.5%，3.9%和0.4%。该算法提升了深度估计精度并得到了良好的视觉呈现效果。

基于卷积神经网络(CNN)的分段平面三维重建已然成为室内场景建模研究的焦点之一。针对室内场景中，平面和非平面元素常常交织在一起，导致网络提取的平面特征中掺杂了非平面信息，从而影响了最终分割的精度；且室内场景中的平面存在尺度差异巨大的情况，带来了明显的类别不平衡，小尺度平面实例往往会失真的问题。提出了一种自增强注意力的多尺度特征融合三维分段平面重建网络，该网络能够自动学习场景中的平面特征，并有效地将不同尺度的特征信息融合，从而提升了平面实例分割的精度。同时，通过为平面实例中的每个像素分配不同的权重，特别是增加了对小尺度平面边缘像素的权重值，进一步增强了小尺度平面分割对象的通道表达。最终，采用平衡交叉熵损失和骰子损失构建了一种新的损失函数来训练模型，进一步提升了平面分割的精度。实验证明，该算法在平面召回率和分割准确度方面均取得了显著地提升，能够产生更为准确的室内三维分段平面重建模型。

图像描述符是计算机视觉任务重要研究对象，被广泛应用于图像分类、分割、识别与检索等领域。深度图像描述符在局部特征提取分支缺少高维特征的空间与通道信息的关联性，导致局部特征表达的信息不充分。为此，提出一种融合局部、全局特征的图像描述符，在局部特征提取分支进行膨胀卷积提取多尺度特征图，输出的特征拼接后经过含有多层感知器的全局注意力机制捕捉具有关联性的通道-空间信息，再加工后输出最终的局部特征；高维的全局分支经过全局池化和全卷积生成全局特征向量；提取局部特征在全局特征向量上的正交值与全局特征串联后聚合形成最终的描述符。同时，在特征约束方面，使用包含子类心的角域度损失函数增大模型在大规模数据集的鲁棒性。在国际公开数据集Roxford5k和Rparis6k上进行实验，所提出描述符的平均检索精度在medium和hard模式分别为81.87%和59.74%以及91.61%和79.12%，比深度正交融合描述符分别提升了1.70%，1.56%，2.00%和1.83%，较其他图像描述符具有更好的检索精度。

图像分割是计算机视觉的重要研究方向。聚类算法作为一种无监督的方法，一直是图像分割的有力工具。然而，当图像存在高强度噪声和复杂结构时，聚类算法的分割效果可能不理想。针对这一问题，提出了一种高鲁棒性的图像分割算法，该算法基于权衡因子和多维空间度量。首先，引入了一个权衡因子，通过调节该因子，可以有效地降低噪声对分割结果的影响。其次，结合了低维和高维的空间度量，能够捕捉图像中的线性和非线性特征。并更好地理解图像中的复杂结构和纹理，从而提高分割的准确性和鲁棒性。最后，利用改进的模糊聚类算法实现了图像分割。为了验证该算法的性能，在合成、自然和医学图像上进行了大量的实验，结果显示，该算法在分割性能上明显优于其他算法。

主动标签清洗利用主动学习来进行标签噪声处理，以降低人工标注成本。现有的主动标签清洗方法仍然存在人工额外标注成本较高的问题，即挑选出的可疑样本中正确样本所占比例较高。为了缓解这一问题，提出了一种基于核心集的自监督主动标签清洗方法。首先利用自监督任务进行表征学习，随后将数据映射到特征空间中，并利用贪婪的K-Center集合覆盖方法挑选出可疑样本，最后根据不确定性筛选出标签噪声样本进行重标注。并同时考虑到了样本的代表性与不确定性，能够有效降低可疑样本中正确样本的比例。在含有不同比例标签噪声的公开数据集上的实验结果表明，在各迭代轮次中明显地降低了人工额外标注成本，同时也在一定程度上缓解了冷启动问题。此外，还通过消融实验证明了方法中自监督核心集采样模块和不确定性预测模块的有效性。

为满足复杂环境下文旅服务机器人路径规划算法搜索的导向性、静态环境下全局路径的最优性和动态环境下实时避障的安全性的需要，提出了一种基于改进A*算法与动态窗口法相融合的算法。首先，在传统A*算法的基础上，采用更精确的搜索邻域选取策略，并引入障碍物占用栅格率来量化地图信息，动态调节启发函数和权重系数；其次，引入安全距离概念，提出一种三次折线优化方法，剔除冗余节点和拐点，以提高路径的平滑性；针对狭窄通道环境，提出一种自适应圆弧优化方法，使路径更符合机器人的运动学约束。通过加入动态障碍物垂直距离代价函数，有效减少机器人与动态障碍物的冲突和碰撞风险；最后，将改进A*算法与动态窗口法相融合，选取关键路径点作为动态窗口法的临时目标点，分段使用动态窗口法进行局部实时路径修正。实验结果表明，该融合算法同时具备搜索导向性、全局路径最优性和动态避障能力，能够安全快速到达目标点，具有一定的应用价值。

针对现有的大多数自底向上人体姿态估计算法存在模型规模大、计算成本高及对边缘设备不友好等问题，提出了一种基于YOLOv5s6-Pose的轻量级多人姿态估计网络模型YOLOv5s6-Pose-CT。该模型在颈部网络中引入空间和通道重建卷积，以减少空间和通道维度上的特征冗余。同时，提出了一种坐标Transformer嵌入于主干网络中，使模型专注于长距离依赖和拥有高效的局部特征提取能力。其次，通过使用无偏特征位置对齐来解决多尺度融合过程中出现的特征错位问题。最后，使用损失函数MPDIoU对边界框的回归损失重新定义。在COCO 2017数据集上的实验结果表明，本文优化的网络模型与主流的轻量级网络EfficientHRNet-H1模型相比，在保持相同精度的同时，参数量和计算量分别减少16.2%和66.1%。相比于基准模型YOLOv5s6-Pose，参数量减少11.2%，计算量降低5.8%，平均检测精度和平均召回率分别提升2.5%和2.6%。

为探究虚拟现实(VR)中眼动交互频率的高低是否会引起用户视觉疲劳，本文选取了25名被试者，在VR房间进行了视觉疲劳实验，在0.2~1.6 Hz范围内设置8个交互频率，每位被试者分别在每个频率下进行了20 min的实验。使用头戴式显示器(HMD)内置的眼动仪采集瞳孔直径数据和眨眼数据，将采集的数据进行线性插值处理和降噪处理。首先，使用五级疲劳量表记录被试者的主观评价，利用瞳孔直径的相对变化率反映疲劳程度。然后，使用Spearman相关性分析来探究视觉舒适度评分和眨眼频率之间的联系，再进行Kruskal-Wallis检验分析眨眼频率与交互频率的关系。最后，以VR中FAST馈源拆装机器人数字孪生系统为例验证该方法的可行性。实验结果表明，0.6 Hz的瞳孔直径变化率最小，在-1.86%~2.26%之间浮动，是相对舒适的交互频率；视觉疲劳等级最高时的眨眼频率为52次/分；在频率范围为0.2~0.6 Hz之间时，随着交互频率的减少，被试者的视觉疲劳程度在增加，在0.8~1.6 Hz之间时，被试者的视觉疲劳程度随着交互频率的增加而增加，0.6 Hz时的眨眼频率最低；合适的眼动交互频率能够降低视觉疲劳的程度。

虚拟角色着装动画生成是三维动画的关键技术，着装变形作为其核心一直是该领域的研究热点。现有着装变形方法大多基于单一服装款式进行研究，一旦款式变化则需要重新训练，耗费时间和增加计算成本。同时现有方法大多基于有监督的方法进行网络训练，需要大量的数据准备和训练成本。基于此，提出一种适用于不同款式的无监督着装动画生成方法。首先，提出一个可学习的款式特征表示方式，学习款式约束的运动隐空间概率分布模型；其次，基于编解码结构搭建款式约束的无监督服装变形预测网络，进一步引入Transformer编解码层对时序运动特征进行提取；最后，进行多款式动画生成实验，并与现有方法基于视觉效果和定量指标进行对比分析。实验结果表明，相较于现有方法，本文方法可以生成款式可调的、视觉合理的着装动画，在预测精度以及穿透损失等方面具有明显的优越性。

使用消费级深度相机采集深度信息时，受到设备、环境和物体材质等因素的影响，采集的深度信息往往存在缺失和孔洞，使得深度图像在后续的视觉任务中应用受限。现有的深度补全算法在解决大面积深度缺失时存在补全效果不佳和物体边界保持较差的问题。针对这2个问题，提出了基于结构引导边界增长的大孔洞深度补全算法。首先，结合RGB图像提供的边界信息，利用结构引导的边界增长策略补全物体边界处的深度缺失；最后，利用大孔洞切分填充与均值滤波相结合的方法，补全物体内部的大孔洞。实验结果表明，该算法能够在具有大面积缺失以及跨越物体缺失情况下有效地保持物体边界，同时能够补全大面积缺失的深度信息，并在多个数据集上的定量以及定性结果证明了该方法的有效性。

为降低足底压力峰值、提升鞋垫产品的舒适性，达到预防足部相关疾病的目的，提出了一种以三维足部模型与足底压力分布为驱动的多孔结构鞋垫参数化定制设计方法。首先，依据用户三维足部模型及相关足部尺寸参数构建了自动生成高适配性鞋垫模型的方法；其次，基于图像采样算法建立了用户足底压力分布向鞋垫空间结构密度分布的映射点集，以此为数据基础，通过Voronoi 3D工具在鞋垫模型限定域内生成空间单元结构；最后，提取适应鞋垫模型边界的Voronoi骨架线，并结合网格生成算法建立多孔鞋垫网格模型。动态及静态足底压力实验结果表明，与传统鞋垫的性能相比，基于足形和足压分布定制设计的多孔鞋垫可以有效卸载足底压力峰值、增大足底的接触面积及提升左右足部压力分布的对称性。

针对工程机械驱动桥装配序列规划中缺乏基于知识的推理决策，难以实现复杂产品智能化装配的问题，提出一种基于语义工艺知识的装配序列规划方法。构建了驱动桥装配语义工艺知识信息模型，表达子装配体层级结构信息、属性信息和装配语义信息。通过建立装配序列规划本体，并将SWRL规则引入装配本体，研究了工艺知识的语义表示和推理决策。采用Neo4j构建驱动桥工艺知识图谱，实现了典型结构子装配体装配序列快速识别。通过量化零件几何、物理属性和装配工艺信息对装配效率的影响，生成装配权重序列，并利用SWRL规则迭代修正形成非典型结构子装配体装配序列。以某型号压路机驱动桥装配序列生成与仿真，验证了该方法的可行性，为知识驱动的复杂产品装配序列规划提供参考。

本文提出了一种基于等几何法和模拟退火的壳结构分析及优化算法，旨在提高复杂壳结构的CAD与CAE一体化设计效率。首先基于NURBS技术对薄壳结构进行适分析参数化建模，然后基于Kirchhoff-Love壳理论实现等几何分析。接着，基于模拟退火算法以壳体的几何参数为设计变量，以多项力学性能为目标函数进行优化，实现了等几何分析与智能优化算法相结合的壳结构分析与优化。最后，通过2个算例验证了该算法的有效性。相对于传统有限元方法，该算法具有高精度、高效率的优势。

车间生产流程中资源分配或工序安排不合理会使生产流程出现死锁现象，导致无法继续生产，大大降低车间生产效率。为解决上述问题，综合Petri网和Banker’s algorithm理论将车间死锁的形成条件分为互斥等待、占有等待、循环等待和不可剥夺4种，并以这4种条件为基础，将死锁分为资源分配死锁、进程顺序死锁、协作对象死锁和动态资源死锁的4种不同表现形式。基于Banker’s algorithm判断死锁存在、基于改进时间可达性分析法确定车间死锁发生的具体位置，建立不同死锁表现形式下的死锁恢复策略，采用Tina和Unity 3D等软件将该方法集成到车间数字孪生系统中，实现车间流程死锁监测和预测功能。最后以某精密冲压车间零件生产过程为例进行了验证，结果表明该方法能有效实现生产流程实时监控和高效预测。

随着社会对建筑设计质量要求越来越高，建筑设计软件也变得越来越专业和复杂。现在的设计软件不仅学习成本高，而且交互模式复杂。大语言模型(LLM)的最新突破使计算机清晰地理解人类自然语言指令，并准确生成代码语言具有可行性，有望为人与软件的交互范式提供新思路。因此，本文提出了LLM驱动的交互式建筑设计新范式——将设计师通过多次键鼠操作与设计软件交互转变为LLM根据设计师自然语言指令生成并执行API调用脚本的方式；提出了技术路线并验证了其在建筑设计场景落地的可能性。该技术路线包括：① LLM根据用户指令从API库中搜索与任务相关的API；② LLM基于指令和候选API摘要信息编写程序脚本并运行；③ LLM根据来自软件环境、用户等反馈改进优化所编写的程序脚本。通过Rhino7设计软件、GPT-4和CodeLlaMa完成多个设计任务，测试当前LLM是否具备执行该技术路线各关键环节的能力。测试结果不仅证明了LLM驱动的交互式设计范式在建筑设计场景已初具落地前景，也为技术落地提供经验和建议。该设计范式的落地可以降低软件的使用门槛和学习成本，提高设计师工作效率；有望在未来的建筑设计软件中发挥重要作用。

建筑信息模型(BIM)技术对提高轨道运维管理效率具有重要的推进作用。然而，不同的检查和维护活动产生的数据异构性高、时空关系复杂，阻碍了BIM解释和整合数据的进程。为此，开发了一个基于工业基础类(IFC)和语义Web技术的轨道运维本体(TOMO)，其具有3个功能：①基于轨道运维生命周期的应用需求，简化BIM模型信息；②引入映射规则，建立数据提取与转换模块，集成多源异构数据，结构化定义数据之间复杂的时空关系；③结合数据驱动技术，研究轨道精调智能优化的方法，提供弹性决策支持。最后，以某高速铁路静检数据为例，验证了该框架的有效性与实用性，对于促进领域数据互操作性、降低运维人员劳动强度和提高运维管理智能化程度具有实际的工程指导意义。

数字健康教育以丰富的内容和灵活的教育方式在提升百姓健康素养方面做出了巨大贡献，但由于老年群体认知能力和视觉水平的衰退，在接受数字教育时常面临信息难以识别、理解困难等问题。因此，以数字健康教育平台阅读界面为研究对象，分析了界面视觉设计对老年群体阅读效果和认知负荷的影响。研究中的自变量为文本视觉密度和界面色调，因变量为阅读绩效。2×2双因子实验结果表明：①低文本密度下的阅读理解效果优于标准密度；②冷色调的阅读理解效果优于暖色调；③文本视觉密度与界面色调在阅读时间上存在显著的交互作用。冷色调在标准密度下的阅读用时更少，而暖色调在低密度下的阅读用时更少。研究从健康教育内容传播的视角进行界面设计分析，丰富了老年数字阅读体验数据，探讨了文本视觉密度和色调在界面中的效果与交叉关系，为提升老年人数字教育效能提供了具体设计建议。

“图”是人类感知世界的重要媒介，图感认知是大脑认知思维中平面图元与三维形体间形成有效转换的关键通道，但人脑在接受图形输入、完成认知处理并实现知识输出的过程是认知心理学和脑科学交叉学科。目前缺乏充分的研究方法和理论基础，因此针对图感认知过程不清晰及认知分析方法缺乏等问题，根据认知事件的脑电位相关性理论，以二维投影图和三维模型为图感认知对象，设计脑电认知测试实验并分析P300电位变化情况。结果表明：图感认知相关部位主要为大脑的前半部分左额叶位置；P300电位值可以用于反映大脑的图感认知程度，大脑对图像内容的接受能力越强，P300电位峰值越低。对比不同样本P300电位变化，可对图感认知过程进行分析，形成对图感认知能力的量化分析方法，提高图感认知内容对大脑的输入效率，对揭示图感输入和认知机理具有启示意义，并为图像交互深度应用反馈优化提供有效依据。