【儀表網(wǎng) 研發(fā)快訊】8月20日，機(jī)械學(xué)院科研團(tuán)隊(duì)與本科校友的合作論文“Global-Regularized Neighborhood Regression for Efficient Zero-Shot Texture Anomaly Detection(帶全局正則的鄰域回歸)”在自動(dòng)化與控制系統(tǒng)國(guó)際頂刊IEEE Transactions on Systems Man Cybernetics-Systems(IEEE TMSC)上發(fā)表，當(dāng)年影響因子8.7。論文一作為學(xué)院2022屆本科生姚海明，現(xiàn)為清華大學(xué)精密儀器系博士生，論文共同作者為學(xué)院2023屆本科生羅威，2025屆博士生曹云康，2025屆碩士生張以恒和沈衛(wèi)明院士。機(jī)械學(xué)院國(guó)家數(shù)控系統(tǒng)工程技術(shù)研究中心余文勇副教授為論文通訊作者，曾擔(dān)任姚海明的學(xué)業(yè)導(dǎo)師，該論文是本科研究工作的延續(xù)。
 

　　論文靈感來自于人類視覺的特點(diǎn)。質(zhì)檢員一眼就能發(fā)現(xiàn)產(chǎn)品表面的殘缺或污漬，而無須特別培訓(xùn)，究其本質(zhì)在于視覺的連續(xù)性和產(chǎn)品的全局正態(tài)模式。受此啟發(fā)，本文提出了一種名為全局正則化鄰域回歸(GRNR)的零樣本紋理異常檢測(cè)方法。
 

　　該方法使用預(yù)訓(xùn)練權(quán)重網(wǎng)絡(luò)得到圖像特征，通過自濾波和鄰域操作，提取兩種內(nèi)在先驗(yàn)特征：以連貫相似性為特征的局部鄰域先驗(yàn)和以典型正態(tài)模式為特征的全局正態(tài)先驗(yàn)，進(jìn)而設(shè)計(jì)全局正則化鄰域回歸算法對(duì)特征進(jìn)行重構(gòu)，使之與輸入特征達(dá)到視覺相似性，同時(shí)遵循全局正態(tài)分布。最后通過特征級(jí)比較獲得異常分?jǐn)?shù)。
 

　　論文在八個(gè)國(guó)際公開數(shù)據(jù)集上驗(yàn)證了該方法在各種工業(yè)場(chǎng)景下的有效性，主要優(yōu)勢(shì)在于無需任何訓(xùn)練數(shù)據(jù)或訓(xùn)練成本，即可直接檢測(cè)紋理產(chǎn)品表面異常，且性能達(dá)到甚至超越需要訓(xùn)練的主流方法的檢測(cè)性能。
 

　　本研究得到了國(guó)家自然科學(xué)基金等項(xiàng)目資助，相關(guān)代碼已開源，可供研究者進(jìn)一步探索和應(yīng)用。