您现在的位置:化工机械设备网>制药设备网>资讯列表>华中科技大学机械学院科研团队与校友合作取得工业异常检测最新成果

华中科技大学机械学院科研团队与校友合作取得工业异常检测最新成果

2025年09月12日 11:11:29 人气: 15506 来源: 华中科技大学
  8月20日,机械学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。论文一作为学院2022届本科生姚海明,现为清华大学精密仪器系博士生,论文共同作者为学院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。机械学院国家数控系统工程技术研究中心余文勇副教授为论文通讯作者,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。
 
  本研究得到了国家自然科学基金等项目资助,相关代码已开源,可供研究者进一步探索和应用。
关键词: 工业异常检测
全年征稿/资讯合作 qq:137230772@qq.com
版权与免责声明
1、凡本网注明"来源:化工机械设备网"的所有作品,版权均属于化工机械设备网,转载请必须注明化工机械设备网,https://www.huajx.com。违反者本网将追究相关法律责任。
2、企业发布的公司新闻、技术文章、资料下载等内容,如涉及侵权、违规遭投诉的,一律由发布企业自行承担责任,本网有权删除内容并追溯责任。
3、本网转载并注明自其它来源的作品,目的在于传递更多信息,并不代表本网赞同其观点或证实其内容的真实性,不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时,必须保留本网注明的作品来源,并自负版权等法律责任。
4、如涉及作品内容、版权等问题,请在作品发表之日起一周内与本网联系,否则视为放弃相关权利。