1. 工业视觉

工业视觉被认为是现代制造业中的“变革性工具”，是提高生产质量和效率的前沿技术。其目的是通过整合图像获取与处理技术、先进的计算机视觉算法、以及高性能的人工智能数据分析方法，实现生产过程中产品质量的实时监控和自动化检测。工业视觉检测技术大幅减少了对人工检测的依赖，以精确且一致的检测能力取代传统的人工检测方式，从而缩短了检测时间、降低了生产成本，并提高了整体生产流程的可靠性和效率，推动了制造业向智能化和自动化的革命性转变。

针对工业视觉检测任务中异常样本少、检测精度低、泛化性差、效率低等关键难题，面向集成电路涂胶/显影、封装基板图形化/金属化层、装备制造、钢铁冶金等重点领域，开展基于2D/3D融合机器视觉的工业缺陷检测研究。自主构建 NeuDefect 系列数据集，包括全球规模第一的封装基板微米级缺陷数据集 CPS2D、 CPS3D，晶圆涂胶缺陷数据集 WC2D，以及跨域多模态缺陷数据集 DeMM；设计无监督、小样本、零样本、超分、光度补偿等缺陷检测算法， 相关成果在 ICCV、 TII、TIM 等计算机视觉和工业智能领域顶级国际会议和学术期刊发表。

相关创新成果扩展了经典监督学习中依赖高质量数据且泛化能力有限的缺陷检测范式，构建了一套适用于小样本、跨材料、跨场景的微纳米级缺陷检测体系，从理论上突破了传统方法在样本质量差、数据稀缺情况下难以实现精准缺陷定位与分割的瓶颈。基于相关创新成果的自研AOI设备已在晶圆涂胶显影缺陷检测场景以及芯片陶瓷封装基板全工艺缺陷检测场景中得到应用验证，助力芯源微、鼎瓷电子等集成电路企业极大地提高了相关工艺缺陷检测的效率和准确性。同时，相关创新工作正在功率半导体封装前晶圆检测、SMT表面贴装检测、SMT锡膏印刷质量检测、回流焊焊接质量检测、键合引线质量检测等集成电路领域关键工艺环节开展验证。

代表性成果：

[1]    H. Li, R. Yu, B. Guo, and Z. Zhao. "Hybrid-space Interaction Network for Single-Image Super-Resolution in Industrial Intelligent Detection", in IEEE/ASME Transactions on Mechatronics, 2026. (中科院1区 TOP)

[2]    B. Guo, Q. Zuo, and R. Yu. "Point Cloud Segmentation of Integrated Circuits Package Substrates Surface Defects Using Causal Inference: Dataset Construction and Methodology", in AAAI Conference on Artificial Intelligence, 2026. (CCF A)

[3]    R. Yu, Z. Zhao, and S. Zhen. "Auxiliary Information Flow for 3D Industrial Defect Detection on IC Ceramic Package Substrate Surfaces: Dataset and Benchmark", in IEEE Transactions on Circuits and Systems for Video Technolog, 2026. (中科院1区 TOP)

[4]    R. Yu, B. Guo, and H. Li. "Anomaly Detection of Integrated Circuits Package Substrates Using the Large Vision Model SAIC: Dataset Construction, Methodology, and Application", in IEEE/CVF International Conference on Computer Vision, 2025. (CCF A)

[5]    B. Guo, Y. Wang, S. Zhen, R. Yu, and Z. Su, "SPEED: Semantic Prior and Extremely Efficient Dilated Convolution Network for Real-time Metal Surface Defects Detection", IEEE Transactions on Industrial Informatics, 2023. (中科院1区 TOP)

2. 时序数据分析

时序数据分析技术是智能制造的核心支撑技术之一，其通过实时采集、处理和分析生产过程中产生的多维时序数据（包括传感器信号、设备状态、工艺参数等），构建了制造流程的动态监控、异常预警和优化决策闭环系统。该技术深度融合时间序列建模、机器学习与边缘计算等前沿方法，通过从海量时序数据中提取关键特征与深层规律，显著提升了制造系统的智能化水平，有效解决了传统制造业中响应滞后、故障预测不准、能效优化不足等长期存在的技术瓶颈。

针对时序感知数据分析任务中面临的多源异构传感器特征融合、数据噪声抑制、机理特征解析等关键科学问题，本研究聚焦高精密机床加工、车辆制造、航空航天装备制造等重点工业领域，系统开展了异常检测、故障预测、质量预测、工艺参数优化等系列研究。研究过程中构建了多个具有工业应用价值的时序数据集，包括宝马车身焊枪时序数据集、福田康明斯机床加工过程数据集、旋转设备多工况故障诊断数据集等。在技术层面，创新性地提出了面向工业场景的多源异构数据时空对齐方法、多模态特征交互机制以及多尺度分析框架，相关研究成果已在Computers in Industry、Neurocomputing等工业智能领域权威期刊发表，为智能制造提供了重要的理论支撑和技术解决方案。

相关创新成果构建了面向高端制造缺陷和故障的近似表征与渐进学习理论，扩展了传统深度时间序列模型在精密制造工艺质量异常检测与预测的应用范畴，破解了传统方法在隐性异常检测、多尺度时序依赖建模和跨过程信息交互方面的局限性。相关创新成果应用于集成电路、工业母机、装备制造等领域，具备高灵敏度异常检测能力与长时序预测能力，满足工业现场低延迟、高可靠需求，实现针对丝网印刷机、贴片机、回流焊炉等集成电路设备的可预测性维护和产出物质量预测，显著提升设备综合效率，减少冗余检修和物料损耗开销。

代表性成果：

[1]    R. Yu, Y. Zhang, H. Li and M. Chen, "Distformer: Time–Frequency Feature Distribution-Aware Transformer for Long-Term Time Series Prediction," in IEEE Sensors Journal. (SCI JCR Q1)

[2]    M. Chen, R. Yu, Z. Liang, K. Li, and H. Qi. "A multiscale process-aware retention network for fault prediction in mixed-model production", in Computer in Industry, 2025. (中科院1区 TOP)

[3]    R. Yu, M. Chen, and B. Liu, "A triple-phase boost transformer for industrial equipment fault prediction", in Neurocomputing, 2024.  (SCI JCR Q1)

[4]    R. Yu and B. Guo, "Is multi-level data enhancement helpful for knowledge graph? A new perspective on multimodal fusion", in Knowledge-Based Systems, 2024. (中科院1区 TOP)

[5]    K. Yang, R. Yu, B. Guo, and J. Li, "Interaction Subgraph Sequential Topology-Aware Network for Transferable Recommendation",  in IEEE Transactions on Knowledge and Data Engineering, 2024. (CCF A)

3. 3D空间智能

3D空间智能是指系统在三维空间中理解、感知、与重建环境的能力。这项技术帮助自动驾驶和机器人获得了观察和感知世界的能力。通过融合激光雷达、摄像头、毫米波雷达等多模态传感器数据，并运用先进人工智能算法对数据进行分析与重建，3D空间智能使得自动驾驶车辆和机器人能够在动态且多变的环境中实现高效且可靠的环境感知与重建，从而保障其自主性和安全性。

针对自动驾驶和机器人工作环境复杂，安全冗余较低等难题，并实现使用3D空间智能帮助行动单元完成精确感知周围的障碍物、车道线、交通标志以及其他车辆和行人，并实时构建高精度的三维地图，同时完成安全行驶路径规划。对于机器人而言，无论是工业机器人执行精密操作，还是服务机器人在复杂环境中导航，3D空间智能都能使其准确识别物体、理解场景布局，并自主完成任务。相关成果在ICAI、DCAN，TIM等期刊会议发表。

代表性成果：

[1]   S. Cao, J. Li, and R. Yu, "DWT-3DRec: DeepJSCC-based wireless transmission for efficient 3D scene reconstruction using CityNeRF", in Digital Communications and Networks, 2025.(IF:7.5, JCR Q1) 

[2]   Z. Cao, T. Wang, P. Sun, F. Cao, S. Shao, and S. Wang, "ScorePillar: A Real-Time Small Object Detection Method Based on Pillar Scoring of Lidar Measurement", in IEEE Transactions on Instrumentation and Measurement, vol. 73, pp. 1-13, 2024.(IF:5.9, SCI JCR Q1)

[3]  J. Li, Y. Zhang, L. Wang, and R. Yu, "SA4D-HDR: Segment Anything with Neural Radiance Fields for 4D HDR Scenes", in European Conference on Artificial Intelligence 2025.(CCF B)