本研究提出了一种基于深度学习的表面缺陷检测方法，通过利用不同粒度的注释信息从弱标注到像素级其间不同层面进行标注，实现了注释成本的降低，同时取得了在工业质量检验几个数据集上的最优结果。

Apr, 2021

通过使用一类无监督学习方法，使用深度卷积神经网络进行图像完成，以完成缺件区域的图像，并使用像素重建误差进行异常检测的方法，有效用于检测表面装饰塑料零件的显著异常，并且此方法优于其他测试方法。

Nov, 2018

本文回顾了基于少量标注数据的工业产品表面缺陷检测方法，包括传统的基于图像处理的方法和适用于少量标注数据的基于深度学习的方法。传统的表面缺陷检测方法分为统计方法、光谱方法和模型方法；基于深度学习的方法包括基于数据增强、迁移学习、模型微调、半监督、弱监督和无监督方法。

Mar, 2022

本论文采用各种深度学习模型，如 VGG19、ResNet50、Inception V3 和 EfficientNetV2，在表面裂缝检测上进行了精细调整，并通过精确度、召回率和 F1 得分进行了比较。

Jan, 2024

本文提出了运用可解释人工智能的方法对表面裂纹进行分割和监测，结果表明，虽然生成的分割掩码质量可能不如有监督方法产生的高，但仍具有意义并能够实现严重程度的监测，从而降低了大量标注成本。

Sep, 2023

通过结合领域知识和深度学习架构，我们演示了在少量数据的情况下可以获得类似的性能表现，我们的算法使用 23% 的数据就获得了和测试数据相似、多个盲数据集有显著更好的表现，其中选择基于知识的输入图像有显著的性能提升。

May, 2023

本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

May, 2023

本文探讨了如何利用基于距离的异常检测方法训练深度残差三元组网络模型，并通过随机擦除技术合成缺陷样本以直接学习相似度度量，从而提高表面缺陷检测的准确性。实验结果表明，该方法能够检测出不同类型的异常，包括弯曲、破碎或裂纹等。

Nov, 2020

我们介绍了一种新的持续学习算法 LDA-CP＆S，它可以在进行分割任务时避免灾难性遗忘。该方法应用于两种不同的表面缺陷分割问题，可以增量学习，并且能够预测先前观察到的每种缺陷。我们的方法通过迭代剪枝为每种缺陷类型创建与缺陷相关的子网络，并基于线性判别分析（LDA）训练分类器。在推理阶段，我们首先使用 LDA 预测缺陷类型，然后使用选定的子网络预测表面缺陷。我们将我们的方法与其他持续学习方法进行比较，结果显示在两个数据集上，与现有方法相比，平均交并比提高了两倍。重要的是，我们的方法在同时观察到所有训练数据（所有缺陷）时，显示出与联合训练类似的结果。

Dec, 2023

本研究提出了一种新的基于深度学习的图像处理系统， 可以自动识别不同类型的船面缺陷并测量其覆盖百分比，结果表明该系统可以客观地执行类似于合格检查员的评估。

Mar, 2022