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

本文介绍了二 / 三维道路数据获取的传感系统（相机、激光扫描仪和微软 Kinect），并全面综述了用于道路坑洞检测的最先进计算机视觉算法，包括传统的二维图像处理、三维点云建模和分割、以及机器 / 深度学习算法，同时讨论了现有挑战和未来发展趋势。

Apr, 2022

综述最近图像处理和深度学习技术在道路病害检测和分类中的广泛应用，介绍了机器学习和深度学习算法在提高效率和准确性方面的优势，讨论了无人机数据采集的整合以及处理高分辨率图像的深度学习算法在有效检测和分类不同道路病害方面的价值。

Aug, 2023

本篇论文介绍了一种精确可靠且计算效率高的路面坑洞检测算法，该算法基于非常密集的视差图，利用双黄金分割搜索和动态规划来估计转换参数，然后通过二次曲面拟合表征提取潜在未受损路面区域，通过随机抽样共识算法减少异常点带来的干扰，最后利用重建的三维路面模型提取检测的路面坑洞点云。实验结果表明，该方法的成功检测率约为 98.7％，整体精度约为 99.6％。

Aug, 2019

本文是关于光学遥感图像中物体检测的文献综述，涵盖目标检测的众多方法，包括基于模板匹配、基于知识、机器学习等，同时讨论现有研究的挑战并提出两个有潜在发展的研究方向，即基于深度学习的特征表示和基于弱监督学习的地理空间目标检测。

Mar, 2016

准确和及时地识别道路表面状况使车辆能够调整动作，如改变速度或使用特定的牵引控制技术，以降低事故的发生率，并减少驾驶员和行人的潜在危险。本文介绍了一种通过集成音频和图像进行道路表面状况自动检测的多模态方法。通过在各种环境条件和道路类型下收集的多样数据集进行鲁棒性测试。通过广泛的评估，我们证明了我们的多模态方法在准确识别道路表面状况的实时场景中的有效性和可靠性。我们的研究结果凸显了集成听觉和视觉线索以增强道路安全和降低事故风险的潜力。

Jun, 2024

本研究通过使用卷积神经网络进行物体检测的最新方法，创建了一个可供公开使用的大型路面损伤数据集，该数据集包含了来自 7 个日本市的 9053 张路面损伤图片，针对这个数据集训练出有较高准确性的路面损伤检测模型，并成功将损伤分为八个类型。

Jan, 2018

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

该研究介绍了一种强大的方法，通过利用传统的特征提取方法如局部二进制模式（LBP）和灰度共生矩阵（GLCM）特征，以及傅里叶和小波特征，结合先进的机器学习技术，在轮胎 X 射线图像中实现自动缺陷检测。实验证明，通过精细调整和结合机器学习模型，这些传统特征可以显著提高轮胎缺陷检测的准确性和可靠性，旨在为轮胎制造业的自动化质量保证建立新的标准。

Feb, 2024

道路路面检测和分割是开发自主道路修复系统的关键，然而，由于道路路面图像的纹理简单、缺陷几何的多样性以及类别之间形态的模糊性，同时执行多类别缺陷检测和分割的实例分割方法具有挑战性。我们提出了一种新颖的端到端方法，用于多类别道路缺陷检测和分割，该方法包括多个空间和通道注意力块，可用于学习跨空间和通道维度的全局表示。通过这些注意力块，可以学习到更加全局化的道路缺陷的形态信息（空间特征）和图像的颜色和深度信息。为了证明我们提出的框架的有效性，我们在一个新收集的用于九种道路缺陷类别注释的数据集上进行了各种消融研究和与先前方法的比较实验。实验结果显示，我们提出的方法优于现有的多类别道路缺陷检测和分割方法的最新方法。

Feb, 2024