本文介绍了一种基于深度学习的显微纤维材料图像数据集生成方法，首次实现了自动识别硬木物种，并提出了用于木材原木计数和表面缺陷检测的深度学习技术，显示出高准确率和有效性。这些方法将有助于改善木材产品的质量控制和森林保护。

本研究提出了一种基于深度学习的表面缺陷检测方法，利用不同粒度的注释信息降低成本，并在工业质量检验中取得优异结果。探讨了主动学习、视觉检测和迁移学习在缺陷检测中的应用，提出了新型自监督学习算法和自动监控系统，以提高检测的准确性和可靠性。此外，系统性综述了2015至2023年间的15个公开数据集，为研究人员提供参考。

该文综述了铁路、道路及工业产品表面缺陷检测方法，涵盖图像纹理、激光雷达、CT、自编码器与深度学习等技术，重点分析少标注数据、数据变异性及天气光照等挑战，并比较随机森林、支持向量机等分类器性能。

该文汇总了表面缺陷检测与显著性检测的多项研究，涉及GCANet、NDP-Net、DFNet、FMR-Net等模型，采用Transformer、注意力机制、特征融合与无监督学习，在精度与效率间取得平衡，并在多个公开数据集上验证了有效性。