本文利用卷积神经网络技术进行微观组织中晶界的检测，结合不同仪器下的多模式显微镜技术生成像素级标签，提高了检测精度，并且通过引入拓扑信息，得到了更好的分割性能和晶粒形貌分布预测。

May, 2023

本文介绍了一种基于条件随机场和感知组织规则的快速、高保真度的后处理技术，针对多晶材料显微结构中的颗粒边界等互联线网络的准确分割提出了一种解决方案，改善了分割蒙版的准确性，并引入了一种新的颗粒对齐度量标准，提供了更详细的复杂微结构分割性能评估，从而使得数据分析的统计表征更准确，适用于需要精确分割互联线网络的多个学科领域。

Dec, 2023

本文研究了使用卷积神经网络 (CNN) 在没有使用颜色处理的情况下进行混凝土分割的可行性，并证明其优于基于颜色的分割方法并具有与人工专家相当的准确度，从而缩短了分割时间。

May, 2020

通过比较传统方法和机器学习驱动方法，该论文提出了一种新颖的深度学习驱动的语义分割方法，用于钻石生长领域的特征提取，实现了对钻石、挡板和背景等几何特征的像素掩膜的分离和分类，通过注重标注的人在环软件架构实现数据集的训练，结合主动学习、数据增强和模型辅助标注的模块，有效提高了标注的准确性并显著降低了标注的时间和成本，其中 DeeplabV3plus 架构的模型在准确分类感兴趣特征方面的性能优秀，对挡板的准确率达到 96.31%，对钻石顶部的准确率达到 98.60%，对钻石侧面的准确率达到 91.64%。

Apr, 2024

通过基于深度学习和像素分割方法的微结构分类模型，成功实现了对于低碳钢微观组织多个组分类型的快速、精确分类，准确率达到了 93.94%，比现有技术提升明显，为钢质检测等领域提供了更加客观、准确的检测方法。

Jun, 2017

本文针对金属学家对钢材织构的视觉分类存在主观性强的问题，提出了一种基于深度学习的钢材组织类型及其指针长度自动分类方法，达到了 96% 的准确率，从而提高了对钢材组织的客观性和可靠性。

Jun, 2023

鑑於混凝土基礎設施結構完整性評估的重要性，鑑定裂紋至關重要。然而，對於計算機視覺系統來說，強大的裂紋分割仍然是一項具有挑戰性的任務，原因在於混凝土表面的多樣外觀、不同的照明和天氣條件以及不同缺陷的重疊。本文提出了一種基於分形的高度保真度裂紋圖形模擬器以及相應的完全標註的裂紋數據集，並通過利用點對點互信息估計和自適應實例正規化作為歸納偏差，補充了後者的系統。最後，通過實證研究不同設計選擇在彌合模擬與現實差距方面的相互作用，最終證明我們引入的系統能夠有效處理現實世界的裂紋分割。

Sep, 2023

在数字岩石物理学中，使用扫描电子显微镜和计算机断层扫描技术分析岩石的细微结构对估计孔隙度和孔隙连通性等性质至关重要。我们的研究采用了先进的生成型人工智能模型 —— 扩散模型，克服传统分割方法的局限性并通过生成大量的数据集来改善岩石显微结构分割的准确性和稳定性。利用 Transformer 结构的 TransU-Net 在分割图像方面表现出更高的准确性和 IoU 指标，超过了 U-Net 和 Attention-U-Net，推进了数字岩石物理学的发展，为地球科学和工程学的突破铺平了道路。

Nov, 2023

使用合成数据和纹理合成模型，构建了数字孪生对象的微观表面拓扑模型，解决了视觉表面检测系统的训练数据不足和缺乏样本缺陷多样性的问题。

Mar, 2024

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