本文介绍了一种新的污水管道缺陷分类方法，名为可靠多标签污水管道缺陷分类（TMSDC），该方法运用了具有不确定性的警告深度学习对对污水管道缺陷进行预测，并通过新的专家基础费率分配（EBRA）引入专家知识来描述实际情况下的可靠证据。测试结果表明，TMSDC 的有效性及不确定性估计能力是最新公开基准中最好的。

Oct, 2022

本文提出 Sewer-ML 数据集，其中包括 130 万张肮脏排水管道的视觉图片资源和缺陷分类注释，旨在解决肮脏排水管道的自动化检测问题，该数据集可以被用于图像分类和缺陷分类的研究和应用。

Mar, 2021

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

在制造环境中，高效准确地检测小型物体，如缺陷和裂纹，对于确保产品质量和安全至关重要。我们提出了一种综合策略，通过将 Faster R-CNN 与先进的方法结合起来，有效解决了这个问题。我们的模型在 NEU-DET 和 Pascal VOC 数据集上进行了严格评估，验证了其鲁棒的性能和通用性。在 NEU-DET 数据集上，我们的模型表现出对钢铁缺陷的深入理解，在识别各种缺陷方面实现了最先进的准确性。同时，在 Pascal VOC 数据集上评估时，我们的模型展示了在复杂且小型场景中检测各类对象的能力。

Oct, 2023

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

最近，计算机视觉在异常检测方面的应用引起了多个工业领域的关注。一个重要的例子是油管缺陷检测。油管的故障可能会中断整个运输系统的运行或引起远程故障。自动化缺陷检测可以显著减少检查时间和相关成本。然而，现有的研究在处理这一任务时存在一定差距。现有研究未能充分涵盖有关磁通漏磁数据和预处理技术的研究，这些技术可以克服现有数据所设定的限制。本文旨在缓解这些问题。此外，在这样做的过程中，我们利用了最近的卷积神经网络结构并提出了健壮的方法，旨在获得与相关指标相符的高性能。所提出的方法及其适用性已使用实际数据进行验证。

Sep, 2023

我们的论文利用卷积神经网络（CNNs）、递归神经网络（RNNs）和生成对抗网络（GANs）为制造业引入一种创新的缺陷检测方法。通过从产品照片中提取精细的细节，并利用 RNNs 检测不断演变的错误，并生成合成缺陷数据来增强模型的鲁棒性和适应性以应对各种缺陷情况。该项目利用深度学习框架在制造过程中实现实时缺陷检测。它利用大量带有注释的图像数据集来识别复杂的缺陷模式。该综合系统无缝地融入生产工作流程，提高效率并提升产品质量。因此，它降低了浪费和运营成本，最终提升了市场竞争力。

Nov, 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

提出了一种基于掩膜区域卷积神经网络（Mask Region-based CNN）的系统，用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割，并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。

Aug, 2018