针对铝型材表面缺陷种类多、尺度差异大、小目标容易漏检等问题，提出了KCC-YOLOv5——一种基于YOLOv5s改进的铝型材表面小缺陷检测模型。首先利用IoU（intersection over union）-K-means++算法代替K-means算法聚类锚框，获得最贴合铝型材表面缺陷的锚框，提高小目标锚框的质量；其次，提出全局注意力模块C3C2F，并引入主干层，在减少参数量的同时增强小目标的语义信息和全局感知能力；最后将颈部最近邻插值上采样方式换为轻量级上采样算子CARAFE（content-aware reassembly of features），充分保留上采样特征图的小目标信息。实验结果表明，改进模型KCC-YOLOv5的均值平均精度为94.6%，相比于YOLOv5s提高了2.8个百分点，小目标漆泡和脏点的平均精度分别提高了5.2和12.4个百分点。KCC-YOLOv5模型在保持大目标检测精度小幅度提升的同时显著提升了小目标的检测精度。

针对钢材表面缺陷尺度不一，现有检测算法多尺度特征处理能力较差、精度有待提高的问题，提出了一种面向钢材表面缺陷检测的改进型YOLOv5算法。首先，在骨干网络的特征输出层后添加感受野模块以增强特征的判别性与鲁棒性，可以更好地感知不同尺度的特征信息；然后，利用对齐的特征聚合模块替换传统的特征融合结构，解决了高低分辨率特征图在融合过程中存在的特征错位问题；最后，采用带有高效通道注意力机制的解耦头输出检测结果，注意力机制可以自适应地校准通道响应，解耦头使得分类与回归任务可以独立执行。在NEU-DET数据集上的实验结果显示，所提出方法的平均精度均值为80.51%，相比基准模型提升了4.48%，检测速度为31.96 frame/s。相比其他主流的目标检测算法，在保持一定检测速度的前提下，所提算法具有更高的精度，能够实现高效的钢材表面缺陷检测。

微/纳米尺度亚表面缺陷会降低光学元件等透明样品的物理特性，严重影响光学及半导体领域加工制造技术的发展。为了快速、无损检测透明样品亚表面缺陷，本文针对光学元件亚表面内微米量级缺陷的检测需求，提出了一种基于过焦扫描光学显微镜（TSOM）的检测方法。利用可见光光源显微镜和精密位移台，沿光轴对亚表面缺陷进行扫描，得到亚表面缺陷的一系列光学图像。将采集到的图像按照空间位置进行堆叠，生成TSOM图像。通过获得所测特征的最大灰度值来获得亚表面缺陷的定位信息。提出方法对2000 μm深亚表面缺陷的定位相对标准差达到0.12%。该研究为透明样品亚表面缺陷检测及其深度定位提供了一种新方法。

针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题，提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先，对比了3种特征提取网络的性能，选取ResNet50作为骨干网络；然后，引入特征金字塔网络（FPN），通过融合多层次的特征信息，提高Faster R-CNN的多尺度检测能力；最后，基于构建的隐形眼镜表面缺陷数据集，使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster R-CNN算法在测试集上的平均精度均值（mAP）达到了86.95%，相比于改进前的Faster R-CNN算法，提高了9.45个百分点，可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。

针对目前航空发动机表面人工缺陷检测效率低的问题，提出一种基于改进YOLOv5的缺陷检测模型YOLOv5-CE。首先，在网络中融合数据增强策略搜索算法，自动为当前数据集搜索最佳的数据增强策略，实现训练效果的提升；其次，在backbone网络中引入坐标注意力机制，在通道注意力的基础上嵌入坐标信息，提高对小缺陷目标的检测能力；最后，将YOLOv5的定位损失函数改进为efficient intersection over union损失，在加快模型收敛的同时提高预测框回归精度。实验结果表明，所提YOLOv5-CE模型，相比原YOLOv5s网络，在检测速度几乎没有下降的情况下平均精度均值提高了1.2个百分点，达到了98.5%，能够高效智能检测航空发动机4种常见类型缺陷。

针对金属工件表面缺陷分割精度低的问题，通过对工件表面图像缺陷特征研究，提出以U-net为基础，结合多尺度自适应形态特征提取模块及瓶颈注意力模块的工件表面缺陷分割模型。首先，在网络中嵌入多特征注意力有效聚合模块，提高信息的利用率，提取更多相关特征，从而高精度地提取缺陷目标。然后，在网络中引入瓶颈注意力模块，增加缺陷目标的权重，优化特征的提取，获取更多的特征信息，从而获得更好的分割精度。改进后的网络平均精度达到0.8749，比原网络相比提高了2.92%，平均交并比达到0.8625，提高了3.72%。与原始网络相比，改进后的网络具有更好分割的精度，可以获得更好的分割结果。

本文通过添加InGaN垫层, 利用金属有机物化学气相沉积(MOCVD)方法在GaN(0001)上外延生长了InN薄膜, 研究了InN薄膜的外延规律及光学性质。研究发现, 相对于GaN表面, 在InGaN垫层上可以获得更高质量的InN。通过在InGaN垫层中采用适当的In组分(在本工作中为In0.23Ga0.77N), 可以完全抑制InN生长过程中铟滴的形成, 获得的InN表面形貌连续平整。采用光学显微镜、高分辨率X射线衍射(HR-XRD)、透射电子显微镜(TEM)、光吸收和室温光致发光等方法研究了InN的晶体结构和光学性质。HR-XRD的ω和ω-2θ扫描显示, InGaN垫层消除了In滴的衍射信号, 并且ω扫描给出了150 nm的InN薄膜的(0002)半峰全宽为0.23°。TEM选区电子衍射发现, InN几乎是无应变的。室温下InN薄膜的光吸收和强光致发光结果表明, 所制备的InN薄膜能带隙约为0.74 eV。本文还初步研究了InN的异常激发依赖性的光致发光行为, 证明了InN材料的表面效应对辐射复合的强烈作用。

遮挡图像重建是无监督异常检测的主要方法之一, 通过生成式模型对遮挡后的图像重建, 根据重建差异来估计图像区域的异常分数, 高异常分数区域即为缺陷区域。然而, 现有方法仅采用若干个尺度相互独立的遮挡策略, 使得模型缺乏对非规则遮挡图像的重建能力; 在重建过程中图像缺失部分与完整部分的全局依赖性未被充分考虑。针对上述问题, 提出多尺度网格的遮挡策略, 并采用自注意力机制增强自编码器重建过程中对全局依赖性的刻画。实验结果验证了所提方法的有效性, 与其他方法相比获得了更优的表面缺陷检测性能。