一、基本情况
刘坤，女，博士，教授，博士生导师。2009年7月毕业于清华大学自动化系，获得控制科学与工程工学博士学位。2009年9月起，在河北工业大学控制科学与工程学院任教，中国计算机学会会员，河北省自动化学会会员。2025年3月-2026年3月，奥克兰理工大学访问学者。在机器视觉、目标识别领域有十余年的研究经历，在机械工业出版社出版教材1 部，并在国内外高水平期刊和学术会议上发表论文50余篇。相关视觉检测方法申请国家发明专利与实用新型专利共计30余项。相关成果荣获天津市科技进步二等奖1项、河北省科技进步二等奖1项、河北省科技进步奖三等奖1项。
申请人近年来主持国家级与省部级项目9项，以子课题负责人或者项目骨干参与国家重点研发计划重点专项、中央引导地方科技发展资金项目等3项目。主持项目主要包括国家级项目3项、省部级项目6项。主持和参与项目中有6项与缺陷视觉检测相关（涵盖工业制造质检、运维巡检等多种场景）、4项与复杂动态环境感知有关、3项与多模态数据融合有关，所有项目均与机器学习、深度学习等前沿算法相关。
二、主持、参与的科研及教研项目情况（含获奖情况）
1.主持或参加的科研项目
1) 国家自然科学基金（面上项目），62173124，不完备数据下光伏电池缺陷识别的跨域迁移学习方法研究，2022/01-2025/12, 58万，在研，主持
2) 河北省自然科学基金（面上项目），F2022202064，面向肺部微小结节介入式诊疗的不完备数据CT 影像目标分割方法，2022/01-至今，10万，在研，主持
3) 京津冀基础研究合作专项项目，F2024202102，面向动态狭窄环境的支气管镜手术机器人关键技术研究，20万，2024/10-2027/09，在研，主持
4) 中央引导地方科技发展资金项目，246Z4306G，新能源电站隐患多模态识别及发电量智能溯源关键技术研究与应用，2024/05-2025/12，300万，在研，子课题负责人
5) 河北省基础研究重大项目，面向脑卒中治疗的多维针刺手法采集、传承及超声相控阵针灸疗效复现，A2023202049，200万，2023/12-2027/12，在研，子课题负责人
6) 国家重点研发计划重点专项，2023YFB4503000，高能效感算一体芯片与系统，670.66万元，在研，参与；
7) 国家重点研发计划，2022YFB3303804，基于视觉感知的复杂外形产品表面缺陷检测理论方法研究与应用，2022/11-2025/10, 310万，在研，参与
8) 国家自然科学基金（面上项目），61873315，复杂背景下太阳能电池表面缺陷多光谱视觉感知与认知计算，2019/01-2019/12,16万，已结题，参加
9) 河北省自然科学基金（面上项目），F2019202305 ，复杂随机纹理背景下的太阳能电池EL缺陷视觉检测问题研究，2019/01-2021/12，10万，已结题，主持
10) 天津市科技特派员项目，18JCTPJC56000 ，非均匀纹理背景下的工业产品表面缺陷视觉感知技术，2018/01-2020/03，5万，已结题，主持
11) 国家自然科学青年基金项目，61403119，基于拓扑知觉理论的带钢表面缺陷视觉快速感知计算，2015/01-2017/12, 26万，已结题，主持
12) 河北省自然科学青年基金, F2014202166, 基于特征迁移学习的雾霾天气下目标检测问题研究, 2014/01-2016/12, 3万，已结题,主持
13) 河北省教育厅项目，Z2012171，融合深度信息的雾天情况下运动目标检测问题，2013/01-2015/12 ，已结题，主持
14) 国家自然科学基金子课题，614028，复杂大场景自然光照图像的恢复与重建，2010/01-2013/06，已结题，主持
15) 河北省自然科学基金 , F2010000160, ,基于结构光视觉传感器的焊缝跟踪系统的研究，2010/01–2012/12，已结题，参与
2.主持或参加的科研奖励
1) 刘坤(3/8); 制造过程机器智能感知技术及应用研究, 天津市人民政府, 科技进步奖, 二等奖，2020.1.22(陈海永; 张运锋; 刘坤; 刘卫朋; 崔海根; 樊雷雷;张天江;胡洁).
2) 刘坤(4/8); 视觉引导下机器人全自主控制技术及应用研究, 河北省人民政府, 科技进步奖, 二等奖，2019.1.2(刘卫朋; 吴肪; 陈鹏; 刘坤; 陈海永; 周军; 冯正平; 周亚同).
3) 刘坤(5/5); 焊接装备视觉感知与智能控制技术, 河北省人民政府, 科技进步奖, 三等奖，2014年(陈海永; 刘卫朋; 邢关生; 董砚; 刘坤).
三、近年来发表代表性论文情况（仅限第一作者或通讯作者），主编或参编的教材、专著情况，获得专利情况等
1.发表论文部分情况
[1] R. Wang, R. Mi, H. Xu, Z. Gao, W. Liu, T. Liang, K. Liu. CSSA-XGBoost: A novel algorithm for inspecting spot welding quality based on dynamic resistance signal[J]. Journal of Intelligent Manufacturing, 2025: 1-15.
[2] X. Zhang, K. Liu, X. Wang, Z. Zhou, H. Chen. The Progressive Relationship-Mining Graph Neural Network for Text-to-image Person Re-identification[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2025. DOI 10.1109/TCSVT.2025.3532685
[3] 周颖, 许士博, 陈海永, 刘坤. 融合多尺度特征与注意力的太阳能电池表面缺陷检测[J]. 光学精密工程, 2024, 32(14): 2286-2298.
[4] K. Liu, Y. Yang, X. Yang, J. Wang, W. Liu, H. Chen. Multi-level joint distributed alignment-based domain adaptation for cross-scenario strip defect recognition[J]. Journal of Intelligent Manufacturing, 2024: 1-14.
[5] 刘坤, 王丁, 王静凯, 陈海永, 刘卫朋. 基于特征过滤与特征解耦的域泛化模型[J]. 浙江大学学报(工学版), 2024, 58(03): 459-467.
[6] 周颖, 王如意, 袁梓桐, 刘坤, 陈海永. 一种高效双路径注意力太阳电池缺陷检测网络[J]. 太阳能学报, 2023, 44(04): 407-413.
[7] 陈海永, 赵宇琦, 刘坤, 宿绍莹. MCL-YOLO：一种细粒度特定辐射源识别方法[J]. 信号处理, 2023, 39(01): 96-104.
[8] 刘坤, 杨晓松. 基于无监督域适应的跨场景带钢表面缺陷识别[J]. 浙江大学学报(工学版), 2023, 57(03): 477-485.
[9] 孙玲俊, 毛经宇, 刘坤. FAGAN：一种基于模型迁移与注意力机制的太阳电池缺陷图像对抗生成方法[J]. 太阳能学报, 2023, 44(09): 78-84.
[10] K. Liu, R. Meng, L. Li, J. Mao, H. Chen. SiSL-Net: Saliency-guided self-supervised learning network for image classification[J]. Neurocomputing, 2022, 510: 193-202.
[11] S. Wang, H. Chen, K. Liu, Y. Zhou, H. Feng. Meta-FSDet: A meta-learning based detector for few-shot defects of photovoltaic modules[J]. Journal of Intelligent Manufacturing, 2023, 34(8): 3413-3427.
[12] H. Chen, Y. Zhang, Y. Cui, K. Liu. Color classification under complex background via genetic algorithm-based color difference histogram[J]. IEEE Transactions on Semiconductor Manufacturing, 2023, 36(1): 78-90.
[13] H. Chen, M. Song, Z. Zhang, K. Liu. Detection of surface defects in solar cells by bidirectional-path feature pyramid group-wise attention detector[J]. IEEE Transactions on Instrumentation and Measurement, 2022, 71: 1-9.
[14] K. Liu, H. Yan, K. Meng, H. Chen, H. Sajid. Iterating tensor voting: A perceptual grouping approach for crack detection on el images[J]. IEEE Transactions on Automation Science and Engineering, 2021, 18(2): 831-839.
[15] B. Su, H. Chen, K. Liu, W. Liu. RCAG-Net: Residual channelwise attention gate network for hot spot defect detection of photovoltaic farms[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1-14.
[16] 刘坤, 文熙, 黄闽茗, 杨欣欣, 毛经坤. 基于生成对抗网络的太阳能电池缺陷增强方法[J]. 浙江大学学报(工学版), 2020, 54(04): 684-693.
[17] K. Liu, N. Luo, A. Li, Y. Tian, H. Sajid, H. Chen. A new self-reference image decomposition algorithm for strip steel surface defect detection[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(7): 4732-4741.
[18] J. Zhang, H. Wang, Y. Tian, K. Liu. An accurate fuzzy measure-based detection method for various types of defects on strip steel surfaces[J]. Computers in Industry, 2020, 122: 103231.
[19] H. Chen, Y. Pang, Q. Hu, K. Liu. Solar cell surface defect inspection based on multispectral convolutional neural network[J]. Journal of Intelligent Manufacturing, 2020, 31: 453-468.
[20] B. Su, H. Chen, P. Chen, G. Bian, K. Liu, W. Liu. Deep learning-based solar-cell manufacturing defect detection with complementary attention network[J]. IEEE Transactions on Industrial Informatics, 2021, 17(6): 4084-4095.
[21] H. Chen, H. Zhao, D. Han, W. Liu, P. Chen, K. Liu. Structure-aware-based crack defect detection for multicrystalline solar cells[J]. Measurement, 2020, 151: 107170.
[22] H. Chen, Q. Hu, B. Zhai, H. Chen, K. Liu. A robust weakly supervised learning of deep conv-nets for surface defect inspection[J]. Neural Computing and Applications, 2020, 32(15): 11229–11244.
[23] 刘坤，王丁等，一种跨场景光伏电池缺陷检测域泛化模型，浙江大学学报(工学版)，已录用
[24] B. Su, H. Chen, Y. Zhu, W. Liu, K. Liu. Classification of manufacturing defects in multicrystalline solar cells with novel feature descriptor[J]. IEEE Transactions on Instrumentation and Measurement, 2019, 68(12): 4675-4688.
[25] H. Chen, H. Zhao, D. Han, K. Liu. Accurate and robust crack detection using steerable evidence filtering in electroluminescence images of solar cells[J]. Optics and Lasers in Engineering, 2019, 118: 22-33.
[26] 陈海永, 郄丽忠, 刘坤*. 基于区域辐射一致性的移动阴影检测[J]. 光学学报, 2019, 39(03): 256-266.
[27] H. Wang, J. Zhang, Y. Tian, H. Chen, H. Sun, K. Liu. A simple guidance template-based defect detection method for strip steel surfaces[J]. IEEE Transactions on Industrial Informatics, 2019, 15(5): 2798-2809.
[28] H. Y. Chen, Y. F. Ren, J. Q. Cao, K. Liu, et al. Multi-exposure fusion for welding region based on multi-scale transform and hybrid weight[J]. The International Journal of Advanced Manufacturing Technology, 2019, 101(1): 105-117.
[29] H. Chen, Y. Cui, S. Li, J. Liu, K. Liu. An improved GMM-based algorithm with optimal multi-color subspaces for color difference classification of solar cells[J]. IEEE Transactions on Semiconductor Manufacturing, 2018, 31(4): 503-513.
[30] K. Liu, H. Wang, H. Chen, E. Qu, Y. Tian, H. Sun. Steel surface defect detection using a new Haar-Weibull-variance model in an unsupervised manner[J]. IEEE Transactions on Instrumentation and Measurement, 2017, 66(10): 2585-2596.
2.部分授权专利
1) 发明专利，基于域适应的跨场景带钢表面缺陷检测方法，2024-09-13
2) 发明专利，一种基于深度领域适应的锂电池表面缺陷检测方法，2023-6-20
3) 发明专利，一种基于生成对抗网络的锂电池表面缺陷检测方法，2022-08-09
4) 发明专利，基于SHOT和ICP算法的无序抓取中的三维姿态估计方法，2022-04-01
5) 发明专利，基于模板匹配的带钢表面缺陷精准检测方法，2019-01-25
6) 发明专利，基于直方图分解的带钢表面缺陷精准检测方法，2019-10-15
7) 发明专利，一种基于改进YOLOv5网络的带钢表面缺陷检测方法，2019-01-25
8) 发明专利，一种基于区域生长算法的电池片EL黑斑缺陷检测方法，2019-01-25
9) 发明专利，基于域适应的跨场景带钢表面缺陷检测方法，2019-01-25
10) 发明专利，一种基于生成对抗网络的锂电池表面缺陷检测方法，2019-01-25
11) 发明专利, 刘坤, 基于模板匹配的带钢表面缺陷精准检测方法，8，2017.1.20
12) 发明专利,刘坤, 基于直方图分解的带钢表面缺陷精准检测方法，8，2017.9.26
3.主编教材
《图像处理与机器视觉》，机械工业出版社，2025.
四、联系人：刘坤， 联系方式：liukun@hebut.edu.cn