编辑推荐：
传统 CCD/CMOS 相机检测铝基片微小缺陷受限， event cameras 存在噪声问题，且现有对比学习框架难发现新类别。本研究提出事件流成像技术与 PCRL 框架，降噪、检测未知故障效果佳，全测试案例准确率 93.51%，未知类别达 95.36%，具工业应用价值。
在工业智能制造的精密质检战场上，表面缺陷检测如同守护产品质量的 “火眼金睛”。然而，传统的 CCD/CMOS 相机面对铝盘基片等精密部件的微小缺陷时，如同在高速流转的光影迷宫中迷失方向 —— 离散采样的特性使其难以捕捉动态场景下的细微变化，尤其是在光线闪烁、物件飞转的生产线上，那些如发丝般纤细的划痕或斑点往往成为 “漏网之鱼”。新兴的事件相机（event cameras）虽能通过事件信息流（EIF）感知亮度突变，却如同带着 “噪点滤镜” 观察世界，环境振动、光源波动等干扰让数据中混入大量 “杂音”，严重影响检测精度。更棘手的是，现有对比学习框架如同只会按图索骥的 “老学究”，面对从未见过的新型缺陷类别时，常常陷入 “认知盲区”，难以从数据中挖掘和刻画这些 “陌生面孔”。
为突破这些瓶颈，来自国内研究机构的学者们展开了一场智能检测领域的创新探索。他们聚焦铝盘基片这一工业关键部件，针对动态场景下微小缺陷检测、事件流噪声抑制与未知类别识别三大核心挑战，构建了一套融合仿生感知与渐进学习的新型解决方案，相关成果发表在《Expert Systems with Applications》。
研究团队采用的核心技术方法包括：
- 事件流成像技术：通过等时间窗口分割、重叠窗口设置与高斯滤波的组合拳，如同给事件流数据 “梳妆打扮”，有效滤除噪声并提升数据质量；
- 渐进对比表示学习框架（PCRL）：设计四阶段损失函数策略，如同层层递进的 “认知阶梯”，系统性分析簇内与簇间关系，让模型从已知缺陷中提炼特征规律，同时具备 “举一反三” 识别未知缺陷的能力。
实验验证与分析
- 数据集与缺陷分类：针对铝盘基片的多种表面缺陷（如划痕、凹坑等），构建包含已知与未知类别的数据集，模拟工业场景的复杂性；
- 事件信号处理：运用改进的时间窗口技术对原始事件流进行结构化处理，结合高斯滤波算法降低环境噪声干扰；
- 性能对比：与传统 CCD/CMOS 方法及现有事件相机检测技术相比，所提方法在降噪能力、未知缺陷检测准确率（95.36%）和整体分类精度（93.51%）上均展现显著优势，尤其在从未见过的缺陷类别识别中表现卓越。
结论与意义
本研究通过仿生视觉传感器与渐进式学习框架的深度融合，为工业表面缺陷检测提供了 “看得更清、认得更准、学得更活” 的新范式。一方面，事件流成像技术破解了动态场景下数据质量的瓶颈，如同为检测系统装上 “抗噪滤镜”；另一方面，PCRL 框架通过分层级的损失函数设计与簇结构分析，让模型不仅能 “记住” 已知缺陷的特征，更能 “推理” 出未知缺陷的潜在模式，极大提升了工业质检系统的适应性与鲁棒性。该成果不仅为铝盘基片等精密部件的实时检测提供了可靠方案，更有望为半导体、汽车制造等对缺陷敏感的行业开辟新的技术路径，推动智能制造向智能化、柔性化方向迈出关键一步。未来，进一步优化模型在极端光照条件下的鲁棒性，以及拓展至多类型缺陷协同检测场景，将是该领域值得探索的重要方向。
