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

研究中使用基于深度学习和CNN技术的缺陷检测方法，同时设计参数和Taguchi实验以建立自动化检测系统来提高紧固件标准化质量控制。

Jul, 2022

利用卷积神经网络和Grad-CAM激活图可视化技术，提出一种对轴承故障进行分类的可解释型深度学习方法，通过识别训练样本的特征重要性形成了一个诊断知识库，在模型评估过程中根据特征重要性的相似性检索预测基础样本，实验结果表明该方法能够选择直观且具有物理意义的预测基础样本，提高模型对人类用户的可靠性。

Aug, 2023

本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的MVTec AD数据集上达到了95.8%和96.8%的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

Nov, 2023

该论文介绍了一种基于深度卷积自编码神经网络（DCAN）的异常检测方法，用于解决球磨机轴承故障检测问题。该方法利用正常运行期间收集的振动数据进行训练，克服了有监督学习方法常遇到的标注问题和数据不平衡等挑战。DCAN模型包括卷积特征提取和转置卷积特征重建模块，展示了在信号处理和特征提取方面的优秀能力。此外，论文描述了基于DCAN的异常检测模型在武汉钢铁资源集团的球磨机轴承故障检测中的实际部署，利用了来自NASA轴承振动数据集的故障数据。实验结果验证了DCAN模型在识别故障振动模式方面的可靠性。该方法有望提高轴承故障检测效率，减少生产中断，并降低维护成本。

Nov, 2023

通过整合深度学习和机器学习技术，该论文提出了一种名为TDLN-trees的新型故障诊断模型，结合了双向长短期记忆神经网络、全连接神经网络和extra trees算法的优势，用于处理复杂的大规模化工生产过程中的故障诊断问题，并通过对Tennessee Eastman过程的实验分析验证了该方法的优越性。

May, 2024

本文提出了一种跨模态Transformer（称为FmFormer），旨在通过探索视觉特征（视频）和过程变量（电流）之间的相关性，促进熔镁冶炼过程中的异常检测。该方法引入了一种新颖的标记化范式，以通过多尺度方式有效地弥合三维视频模态和一维电流模态之间的实质性维度差距，实现逐层的像素级异常检测。随后，FmFormer利用自注意力机制学习每个模态内部特征，并利用双向交叉注意力机制捕捉跨模态的相关性。通过使用跨模态学习，提出的FmFormer在检测异常方面取得了最先进的性能，特别是在电流波动和大量雾气遮挡造成的极端干扰下。所提出的方法和基准还可能适用于其他工业应用，并通过该链接发布了基准数据。

Jun, 2024

基于YOLOv5的改进型缺陷检测模型在钢表面上检测小且复杂的缺陷目标，在精度和检测时间方面表现优于其他可比较的模型。

Jun, 2024

探讨基于转移学习技术的各种CNN模型的性能评估结果表明，DenseNet201在NEU数据集上的检测率最高，达到98.37%。

Jun, 2024

本研究解决了深度学习检验系统在处理有限标记数据集时的缺陷，提出了一种基于连续训练的维护方法，通过两阶段过滤过程选择可靠的数据。这种方法显著减少了自生成标签带来的性能退化风险，实验证明提升了模型在生产数据上的表现，最高可达14%。

Sep, 2024