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

本文提出了基于对称性和密度自适应阈值的边缘检测方法和基于聚类曲率向量的角点检测方法，对RGB-D语义分割和3D模型进行了验证，在机器人焊接的自动化中提出了基于点云的焊缝检测新方法，与Harris 3D算法相比证明了其优越性。

Sep, 2018

本文使用基于 Detectron2 的深度学习系统来对汽车零部件的 X 射线图像进行缺陷检测和分割，以帮助解决金属部件生产中的质量控制问题。

Feb, 2022

本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析，包括各种概念、挑战、分类、基准数据集及量化性能比较，并提供了未来研究方向的预测和分析。

Jul, 2022

提出了一种低成本、高性能和可靠的工具状态监测系统WeldMon，利用定制数据采集系统和实时分析设计的数据分析流程，通过将自动生成的特征和手工制作的特征进行综合分类，提高了状态分类准确性。

Aug, 2023

这篇论文介绍了基于深度学习的预测质量系统的概念，在制造业的数字化过程中利用机器学习实现质量保证，特别针对GMAW焊接过程进行复杂的数据关系分析和预测质量建模。

Oct, 2023

为提高焊接过程的质量保证，本研究提出一种强大的深度学习模型，能够预测两个关键焊接性能特征（KPCs）：焊缝深度和平均孔隙体积。

Dec, 2023

这篇论文综述了针对智能焊接机器人中的活动视觉传感方法的应用，包括缝迹跟踪、焊缝缺陷检测以及三维焊接池几何测量等，同时介绍了活动视觉传感系统在智能焊接机器人中的三维标定方法。

Mar, 2024

近年来，人造材料在结构中的劣化问题已成为严重的社会问题，加强了检测的重要性。无损检测由于其检测结构中的缺陷和劣化的能力而受到增加的需求。其中，激光超声可视化测试（LUVT）由于其能够可视化超声传播而脱颖而出。这使得检测缺陷在视觉上变得直观，从而提高了检测效率。随着劣化结构数量的增加，检测工作面临检验人员短缺和工作量增加等挑战。解决这些挑战的努力包括探索使用机器学习进行自动化检测。然而，由于缺乏带有缺陷的异常数据，机器学习在改善自动化检测的准确性方面存在障碍。因此，在本研究中，我们提出了一种使用扩散模型的异常检测方法来进行自动化LUVT检测的方法，该方法仅需在负样本（无缺陷数据）上进行训练。通过实验证实，我们提出的方法相比先前使用的一般物体检测算法，可以提高缺陷检测和定位的效果。

May, 2024

本研究解决了自动焊接中高效检测目标焊接接缝的挑战，提出了一种能够提取多个焊缝的创新框架，结合RGB图像和3D点云技术。通过在感兴趣区域内进行焊缝的精细边缘提取，该方法展示了在多种工件上的优异性能，具有重要的实际应用潜力。

Aug, 2024