通过使用深度学习和计算机视觉技术提出了一种自动化的视频分析系统来改进现有的水下船舶外壳视频检查方法，提出了一种利用 transformers 的自注意机制捕捉连续视频帧中的时空关注的多标签视频分类模型。该方法取得了有前途的结果，并可以作为未来水下视频检查应用的基准。

May, 2023

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

本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。

Mar, 2019

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

本研究提出了一种完整的半自动腐蚀识别和映射系统，利用最新的基于 LiDAR 的定位和映射方法，结合基于视觉的语义分割深度学习技术，构建了工业环境的语义几何地图。与文献中现有的腐蚀识别系统不同，我们设计的多模式系统成本低廉、便携、半自主，并允许非专业人员收集大规模数据集。在室内实验室环境中进行的一系列实验定量地证明了所采用的 LiDAR 基础三维地图和定位系统的高精度性能，并且当使用我们的像素级手动标注数据集进行训练时，我们的数据驱动语义分割模型的精度达到了约 70%。

Apr, 2024

基于 YOLOv5 的改进型缺陷检测模型在钢表面上检测小且复杂的缺陷目标，在精度和检测时间方面表现优于其他可比较的模型。

Jun, 2024

本文提出了一种人机知识混合增强方法，用于从头开始积累少量数据，并将其作为先验知识提供给模型进行少数据学习，进而在工业缺陷检测中取得了可行性和有效性的进展。

Apr, 2023

本文提出了一种基于机器人的海水养殖网箱自动损伤检测系统，用于在 ROV 处理过程中和实时检测中检测网的损伤部分，该系统通过 ROV 的载体摄像机获取视频流，采用深度学习检测器，在不同水下条件下将图像的有缺陷部分与背景进行分割，该方法经过测试后表明其高准确性即使在逆境情况下，并且适用于嵌入式平台的实时处理。

Aug, 2023

探讨基于转移学习技术的各种 CNN 模型的性能评估结果表明，DenseNet201 在 NEU 数据集上的检测率最高，达到 98.37%。

Jun, 2024

本研究针对涂装建筑表面上生锈区域进行准确分割的挑战。通过利用数字图像处理方法，计算涂层上存在的生锈百分比。所提出的分割方法基于 HSV 颜色模型，为了均衡亮度和减轻光照的影响，特别应用了单尺度 Retinex 基本模型到饱和度分量。随后，图像经过进一步处理，包括手动颜色筛选。这一步骤对于精化生锈区域的识别至关重要。为了增强精度并滤除噪声，通过颜色筛选选择的像素区域会经过 DBScan 算法。这一多步骤过程旨在实现对涂装建筑表面上生锈区域的鲁棒分割，有助于腐蚀检测和分析领域的研究。

Nov, 2023