我院科研团队与本科校友在IEEE TMSC上合作发表工业异常检测最新成果

8月20日，我院科研团队与本科校友的合作论文《Global-Regularized Neighborhood Regression for Efficient Zero-Shot Texture Anomaly Detection（带全局正则的邻域回归）》在自动化与控制系统国际顶刊IEEE Transactions on Systems Man Cybernetics-Systems（IEEE TMSC）上发表，当年影响因子8.7。论文一作为我院2022届本科生姚海明，现为清华大学精密仪器系博士生，论文共同作者为我院2023届本科生罗威，2025届博士生曹云康，2025届硕士生张以恒和沈卫明院士。我院国家数控系统工程技术研究中心副教授余文勇为论文通讯作者，曾担任姚海明的学业导师，该论文是本科研究工作的延续。

论文灵感来自于人类视觉的特点。质检员一眼就能发现产品表面的残缺或污渍，而无须特别培训，究其本质在于视觉的连续性和产品的全局正态模式。受此启发，本文提出了一种名为全局正则化邻域回归 (GRNR) 的零样本纹理异常检测方法。

该方法使用预训练权重网络得到图像特征，通过自滤波和邻域操作，提取两种内在先验特征：以连贯相似性为特征的局部邻域先验和以典型正态模式为特征的全局正态先验，进而设计全局正则化邻域回归算法对特征进行重构，使之与输入特征达到视觉相似性，同时遵循全局正态分布。最后通过特征级比较获得异常分数。

论文在八个国际公开数据集上验证了该方法在各种工业场景下的有效性，主要优势在于无需任何训练数据或训练成本，即可直接检测纹理产品表面异常，且性能达到甚至超越需要训练的主流方法的检测性能。

检测算法流程

在各种工业纹理表面上的零样本异常定位结果

本研究得到了国家自然科学基金（52375494、51775214）等项目资助，相关代码已开源，可供研究者进一步探索和应用。

论文链接：https://ieeexplore.ieee.org/abstract/document/11130672 

代码地址：https://github.com/hmyao22/GRNR