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國際頂刊IEEE Transactions on Systems Man Cybernetics-Systems(IEEE TMSC)上發表，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明院士。機械學院國家數控系統工程技術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導師，該論文是本科研究工作的延續。
 

　　論文靈感來自于人類視覺的特點。質檢員一眼就能發現產品表面的殘缺或污漬，而無須特別培訓，究其本質在于視覺的連續性和產品的全局正態模式。受此啟發，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。
 

　　該方法使用預訓練權重網絡得到圖像特征，通過自濾波和鄰域操作，提取兩種內在先驗特征：以連貫相似性為特征的局部鄰域先驗和以典型正態模式為特征的全局正態先驗，進而設計全局正則化鄰域回歸算法對特征進行重構，使之與輸入特征達到視覺相似性，同時遵循全局正態分布。最后通過特征級比較獲得異常分數。
 

　　論文在八個國際公開數據集上驗證了該方法在各種工業場景下的有效性，主要優勢在于無需任何訓練數據或訓練成本，即可直接檢測紋理產品表面異常，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，相關代碼已開源，可供研究者進一步探索和應用。