针对编解码语义分割网络计算量大、解码结构复杂的问题，提出一种高效无解码的二值语义分割模型DFNet。该模型首先去除主流分割网络中复杂的解码结构和跳跃连接，采用卷积重塑上采样方法重塑特征编码直接得到分割结果，简化网络模型结构；其次在编码器中融合轻量双重注意力机制EC&SA，提高特征编码的通道及空间信息交互，增强网络的编码能力；最后使用PolyCE损失替代常规分割损失，解决正负样本不均衡问题，提高模型的分割精度。在DeepGlobe道路分割和CrackForest缺陷检测等二值分割数据集上的实验结果表明，本文模型的分割精度F1均值和IoU均值分别达到84.69%和73.95%，且分割速度高达94 FPS，远超主流语义分割模型，极大地提高了分割任务效率。

太阳能电池片（Photovoltaic， PV）表面缺陷检测是光伏组件生产中不可或缺的流程。基于机器视觉的自动缺陷检测方法因其高精度、实时性、低成本等优点得到了广泛应用。本文综述了基于机器视觉的太阳能电池片表面缺陷检测方法的研究进展。首先，阐述了太阳能电池片表面成像方式，列举了典型缺陷类型。然后重点分析了基于传统机器视觉算法及基于深度学习算法进行太阳能电池片表面缺陷检测的原理。将传统机器视觉算法分为图像域分析法、变换域分析法进行综述；从无监督学习、有监督学习和弱监督及半监督学习三个方面分别概述了近几年来基于深度学习的太阳能电池片表面缺陷检测的研究现状。对太阳能电池片表面缺陷检测各种典型方法进一步细分归类和对比分析，总结了每种方法的优缺点。随后，介绍了9种太阳能电池片表面缺陷图像数据集及缺陷检测性能评价指标。最后，系统总结了太阳能电池片缺陷检测常见的关键问题及其解决方法，对太阳能电池片表面缺陷检测的未来发展趋势进行了展望。

为实现包装盒纸质基底层和透明膜层缺陷的同步检测，开展了对纸和膜缺陷的同步成像研究。首先，分别建立了标准球面积分光场、椭球面积分光场和弧面积分光场模型，并利用COMSOL Multiphysics 5.6对3类光场进行射线仿真，对比分析了球面积分光场下射线角度均匀性及辐照均匀性，通过正交仿真优化椭球面积分光场参数；其次，在椭球面积分光场环境、亮场前打光环境、暗场前打光环境下对包装盒成像。与此同时，对包装盒的油污、抵触、开口、泡皱、破损5项常见缺陷依次进行物理检测和机器视觉检测，验证缺陷成像的有效性。试验结果表明，在椭球面积分光场下成像，图像对纸质基底层缺陷特征、透明膜层缺陷特征均有较好的呈现效果，图像上油污、抵触、开口、泡皱、破损的物理检出率分别为96.2%、92.5%、100%、95%、92%，异常检出率分别为98.6%、97.5%、100%、100%、98.4%，缺陷类别检出率分别为97.6%、96%、100%、97%、96%。研究结果表明，椭球面积分光场光路角度和辐照强度均匀，覆透明膜包装盒的缺陷特征呈现清晰，满足工业生产的检测要求。

针对单可见光或单红外条件下的IC器件表面缺陷对比度不足，缺陷检测精度低的问题，提出多光谱图像融合的IC器件表面缺陷检测方法。针对IC器件可见光与红外图像配准中存在尺度不一致和对比度反转问题，引入拉普拉斯金字塔和特征描述符重组策略改进ORB（Oriented FAST and Rotated BRIEF）图像配准算法。在图像配准的基础上，提出NSST_VP图像融合方法，以非下采样剪切波变换（Non-Subsample Shearlet Transform， NSST）得到红外图像和已配准可见光图像的低频和高频子带，对低频子带采用视觉显著图（Visual Significance Map， VSM）加权融合规则，高频子带则采用自适应脉冲耦合神经网络（PA- Pulse Coupled Neural Network， PA-PCNN）决策融合规则，进而通过NSST逆变换得到高质量多光谱融合图像。最后，将融合图像输入YOLOv8s模型进行检测。实验结果表明，改进ORB的图像配准平均精度为87.8%，比ORB图像配准精度提高了62%，NSST_VP图像融合算法在主观视觉效果和客观评价指标上均有所提高。在缺陷检测实验中，NSST_VP融合方法的均值平均精度（mean Average Precision， mAP）达到83.15%，比单可见光、单红外缺陷图像检测的mAP分别提高了22.97%，28.31%，比双树复小波变换融合、曲线变换融合、非下采样轮廓波变换融合方法的mAP分别提高了13.14%，15.01%，20.35%。

为解决X射线底片焊缝缺陷分割精度不高、边界信息模糊的问题，本文提出一种改进的Dilated_Pooling_Unet（DP_Unet）网络分割模型。首先，在上下采样间加入编解码信息提取模块DP_block，旨在下采样后最大限度地保留原始缺陷语义信息及减少连续卷积与池化操作造成的损失；然后，在模型中添加GAM注意力机制重点关注焊缝缺陷部分，有效提升缺陷特征通道的学习能力，降低背景噪声影响；最后，提出一种融合二元交叉熵和DiceLoss的混合损失函数，用于解决网络训练时不均衡的正负类数据问题。实验数据集由公开数据集GDX-ray缺陷数据集组成。实验结果表明，本文所提方法在GDX-ray数据集上有较好表现，Dice值达到了93.45%，与基线算法相比均有显著提高。该方法具有良好的分割性能，优于传统的分割算法，有效提高了底片焊缝缺陷分割精度。

靶丸的内外表面缺陷分布对激光惯性约束聚变实验成功率及效率有重要影响，目前观测不透明靶丸的内表面仅有用X射线直接成像技术获取局部二维信息。运用显微CT实现靶丸三维成像，可得到靶丸内外全表面形貌信息；运用边缘检测、理想曲面拟合分割出缺陷区域，通过连通域分析对表面缺陷进行分块，并分别计算各区域的宽度、高度；运用体绘制方法交互绘制出了靶丸三维数据的立体效果，尤其突出了缺陷区域的彩色高度场效果，并通过虚拟切割观察靶丸内表面。基于该方法的靶丸内外表面缺陷观测技术，能识别大多数表面缺陷，且能较为准确地计算出缺陷尺寸参数，未识别出的缺陷通过体绘制可被观察到作为补充，为研究人员提供了良好的辅助分析手段。