2、工业检测场景小样本或零样本小模型算法

1）研发方向描述：

本研究旨在研发当前用于解决图像分类、目标检测和语义分割等主流任务的小样本或零样本AI算法模型。

2）关键研究问题：

如何分别设计针对图像分类、目标检测，语义分割任务的小样本方法？

如何分别设计针对图像分类、目标检测，语义分割任务的零样本方法？

3）研究方法：

基于one-shot和zero-shot等技术，独立设计并完善分类、检测和分割能力的AI小模型算法。

4）预期成果：

研发出分别可执行分类，目标检测和语义分割任务的小样本或零样本小模型，并具备较低的真实产线数据的漏杀和过杀概率。

3、基于AI大模型的工业图像数据生成

1）研究方向描述：

本研究旨在研发缺陷和非缺陷工业图像数据的生成的AI算法模型，用以解决工业缺陷检测缺少图像数据的痛点问题。

研究将集中在工业图像仿真生成，提升工业图像生成的逼真度和速度，以得到高泛化性的工业缺陷生成AI大模型。

2）关键研究问题：

如何设计生成式AI网络模型，以兼顾缺陷和非缺陷的图像数据的生成？

如何轻量化缺陷生成AI模型，在保证生成质量的同时兼顾图像的生成效率？

如何提高缺陷和非缺陷图片的生成的高逼真度？

3）研究方法：

基于现有扩散模型或stable diffusion等方法，改进开源的大模型神经网络或自主设计大模型神经网络架构，完成工业图像数据生成。

4）预期成果：

研发出一种可生成高质量工业图像数据，且训练耗时短，资源消耗低的AI工业大模型，可广泛适用于多种场景下的缺陷和非缺陷图像数据生成。"