基于全局特征与自适应循环集成的零样本制造异常检测方法GlobalCLIP研究

本文提出GlobalCLIP方法，通过CLIP模型聚合全局特征，结合误差与不确定性自适应模块（ARS/AAW），实现无需局部特征张量处理的零样本（zero-shot）制造异常检测。其自循环训练机制显著提升模型性能，在27个工业数据集上超越现有无监督/弱监督方法，为多品种小批量生产提供高效解决方案。

　　

Highlight

与传统方法不同，GlobalCLIP模型无需文本提示（text prompts）或局部图像特征提取，仅通过全图全局特征聚合即可计算异常程度。通过两个自适应模块——基于误差的自适应拒绝采样（ARS）和基于不确定性的自适应增强权重（AAW）——实现判别模型的串联集成。自循环训练过程使模型能渐进式校准并同步学习正常与异常模式。

Method

零样本场景下的异常检测任务要求模型在无训练数据时评估未知样本集的异常程度。假设某产品检测任务包含N张未知状态的RGB图像（尺寸W×H×3），GlobalCLIP的建模框架如图2所示：首先通过CLIP模型将图像编码到图文共享特征空间，再通过ARS模块为重建模型集生成伪单类标签信号，AAW模块则动态调整分类器权重以隐式学习异常差异。

Experiments

采用MVTec AD（15组）和VisA（12组）数据集验证性能。图6展示了27类产品的异常图像。实验表明，GlobalCLIP在无需已知样本或文本提示的条件下，仅凭单特征向量即实现优于现有方法的检测性能。

Conclusion

基于多特征聚合与自适应循环重建的GlobalCLIP模型，突破了传统方法对局部特征张量的依赖，为航空航天部件检测、半导体制造等高价值场景提供了零样本解决方案。未来可探索跨模态特征融合与动态阈值优化等方向。