该文提出了一种基于图像纹理处理的铁路缺陷检测方法，使用 Automatic Train Control system 提高铁路安全性，分析了由于铁路破损和断裂导致的事故，采用 Random Forest 分类器对提取的缺陷图像特征进行分类，实验结果表明该算法在精度、召回率和准确度方面均优于支持向量机和 K - 最近邻分类器。

Apr, 2023

该论文提出一种无需建模过程，通过生成对抗网络（GAN）、新提出的缩放模式损失和动态遮蔽循环次要网络等三方面联合作用直接检测缺陷模式的一阶段框架，在 MVTec AD 数据集的质地类别中表现出比现有技术更高的 F1 分数和更好的普适性。

Jun, 2023

使用 X 射线单投影和多投影（CT）图像进行自动损伤和缺陷检测的基于数据驱动建模的方法和挑战，主要包括数据和特征的变异性，数据特征标注（用于监督机器学习），以及缺乏地面实况数据等。

Nov, 2023

该研究采用灰度共生矩阵（GLCM）和局部二值模式（LBP）纹理特征提取进行 2D 对象旋转和纹理变化下的目标检测。使用 k 最近邻（KNN）、随机森林（RF）和投票集成（VE）对特征进行分类，其中 VE 方法表现最佳，准确率为 93.9%，F1 得分为 93.8%。该研究探讨了 GLCM 和 LBP 特征向量以及 VE 方法在目标检测中的应用，提高了检测准确性。

May, 2024

确保交通安全至关重要，需要检测和防止道路表面缺陷，以此为主题，研究了道路表面缺陷检测的各种方法。主要方法是基于图像的方法，分析像素强度和表面纹理来识别缺陷；然而，这些方法对于天气和光照变化敏感，为解决这个问题，研究者探索了使用激光扫描仪或激光雷达等附加传感器的方法，提供明确的深度信息，以实现对缺陷的尺度和体积的检测，并探索了超出图像的数据的创新。在这篇综述中，我们对基于输入数据类型和方法学分类的道路表面缺陷检测研究进行了全面回顾，并对最近提出的非图像方法进行了评述，讨论了相关的挑战和待解决的问题。

Feb, 2024

我们的研究旨在利用 CT 扫描图像质量增强方法和自适应局部二进制模式（A-LBP）特征提取方法，结合五个分类器和软投票方法，实现对肾脏异常的自动检测，并取得 99% 以上的准确率。

Apr, 2024

本研究采用简单的自编码器和傅里叶变换来进行纹理缺陷检测，将傅里叶变换与自编码器重构的模板相结合。通过分析频域以有效地检测纹理缺陷，实验证明了该方法在检测纹理缺陷方面的有效性和准确性，并与现有方法进行了比较。

Jul, 2023

本文提出了一种深度神经网络用于自动检测和定位 LUVT 图像中的缺陷。通过使用来自 SUS304 平板的真实数据进行数值实验，我们发现该方法在预测性能方面比一般对象检测模型更有效，并且所需的计算时间也比通用对象检测模型要快。

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

该论文介绍了深度学习在计算机断层成像领域的应用，提出了一种基于三步深度学习算法的综合缺陷检测方法，包括缺陷分割、蒙版分离和缺陷分析。使用 U-Net 架构进行缺陷分割，在模拟数据上达到 92.02％的 IoU，并在 512 像素宽的探测器上实现了 1.3 像素的平均位置误差。

Jan, 2024