8月20日，機械學院科研團隊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)”在自動化與控制系統(tǒng)國際頂刊IEEE Transactions on Systems Man Cybernetics-Systems(IEEE TMSC)上發(fā)表，當年影響因子8.7。論文一作為學院2022屆本科生姚海明，現(xiàn)為清華大學精密儀器系博士生，論文共同作者為學院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。機械學院國家數(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，曾擔任姚海明的學業(yè)導師，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。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，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方法。
該方法使用預(yù)訓練權(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)在先驗特征：以連貫相似性為特征的局部鄰域先驗和以典型正態(tài)模式為特征的全局正態(tài)先驗，進而設(shè)計全局正則化鄰域回歸算法對特征進行重構(gòu)，使之與輸入特征達到視覺相似性，同時遵循全局正態(tài)分布。最后通過特征級比較獲得異常分數(shù)。
論文在八個國際公開數(shù)據(jù)集上驗證了該方法在各種工業(yè)場景下的有效性，主要優(yōu)勢在于無需任何訓練數(shù)據(jù)或訓練成本，即可直接檢測紋理產(chǎn)品表面異常，且性能達到甚至超越需要訓練的主流方法的檢測性能。
本研究得到了國家自然科學基金等項目資助，相關(guān)代碼已開源，可供研究者進一步探索和應(yīng)用。
版權(quán)與免責聲明：1.凡本網(wǎng)注明“來源：化工機械設(shè)備網(wǎng)”的所有作品，均為浙江興旺寶明通網(wǎng)絡(luò)有限公司-興旺寶合法擁有版權(quán)或有權(quán)使用的作品，未經(jīng)本網(wǎng)授權(quán)不得轉(zhuǎn)載、摘編或利用其它方式使用上述作品。已經(jīng)本網(wǎng)授權(quán)使用作品的，應(yīng)在授權(quán)范圍內(nèi)使用，并注明“來源：化工機械設(shè)備網(wǎng)”。違反上述聲明者，本網(wǎng)將追究其相關(guān)法律責任。 2.本網(wǎng)轉(zhuǎn)載并注明自其它來源（非化工機械設(shè)備網(wǎng)）的作品，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點或和對其真實性負責，不承擔此類作品侵權(quán)行為的直接責任及連帶責任。其他媒體、網(wǎng)站或個人從本網(wǎng)轉(zhuǎn)載時，必須保留本網(wǎng)注明的作品第一來源，并自負版權(quán)等法律責任。 3.如涉及作品內(nèi)容、版權(quán)等問題，請在作品發(fā)表之日起一周內(nèi)與本網(wǎng)聯(lián)系，否則視為放棄相關(guān)權(quán)利。
相關(guān)新聞
昵稱 驗證碼 請輸入正確驗證碼
所有評論僅代表網(wǎng)友意見，與本站立場無關(guān)