2025年8月20日，自动化与控制系统国际知名期刊《IEEE Transactions on Systems Man Cybernetics: Systems》刊发精密仪器研究中心团队在工业视觉异常检测领域的最新成果，题目为“Global-Regularized Neighborhood Regression for Efficient Zero-Shot Texture Anomaly Detection （带全局正则邻域回归的高效零样本纹理异常检测）”。2022届本科生姚海明为第一作者，余文勇副教授为通讯作者。

图1 检测算法流程

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。

图2 在各种工业纹理表面上的零样本异常定位结果

论文在8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项目（52375494、51775214）的资助。

论文信息：

H. Yao, W. Luo, Y. Cao, Y. Zhang, W. Yu and W. Shen, "Global-Regularized Neighborhood Regression for Efficient Zero-Shot Texture Anomaly Detection," IEEE Trans. Syst. Man Cybern. Syst.55, 7510-7525(2025).

代码地址：

https://github.com/hmyao22/GRNR

新闻链接：

http://news.hust.edu.cn/info/1003/56291.htm