原来工业 AI 异常检测只做了一半？AnomalyNCD 补上了“最关键一环”

【导读】

在工业质检中，发现异常并不难，但"认识"异常却很难。现有检测方法大多只能告诉你"这有问题"，却无法说明"出了什么问题"，更别提识别此前未曾见过的"新型缺陷"。

为了解决这一痛点，华中科技大学等研究团队在CV领域最新论文中提出了AnomalyNCD，一个支持工业场景中异常分类与新类别发现的通用框架，兼容主流检测器，在MVTec AD和MTD两大数据集上全面领先。

过去已经有很多优秀的异常检测方法，能准确圈出"哪里不对劲"，但在实际工业应用中，这远远不够。如果不能进一步判断缺陷类型、归因问题根源、甚至识别此前从未见过的新型异常，就无法真正做到智能化的质检分析。而这正是当前大多数方法的"短板"。

AnomalyNCD的出现，就是为了解决这一从"检测"到"理解"的跨越。它不仅能识别异常，更能学习如何分类这些异常，甚至面对从未见过的缺陷类型，也能"自学成才"完成归类，真正赋予系统"类比与认知"能力。

项目开源地址：

github.com/HUST-SLOW/A...

为什么"发现异常"远远不够？

近年来，工业异常检测方法已能有效定位图像中的缺陷区域，但对于下游流程而言，仅仅检测"有问题"还远远不够。

例如，在实际生产中，我们不仅需要知道某个零件是否异常，还需要明确是哪一类问题------是裂纹、烧蚀还是磨损？更进一步，很多缺陷在初期甚至没有明确的定义，因此模型需要具备"发现未知异常类型"的能力，即异常多分类与新类别发现（Novel Class Discovery, NCD）。

但这并不容易。工业异常的"语义性"很弱，往往形态不显著、位于图像角落，现有方法在这种低语义场景中容易混淆背景与前景。

AnomalyNCD 结合异常检测与新类别发现（Novel Class Discovery, NCD）思想，构建了一个完整的异常多分类管线。核心包括三个创新设计：

工业检测容易产生伪异常（误检）和漏检。为了避免这些噪声影响学习，AnomalyNCD 首先设计了主元素二值化算法（MEBin），从检测器输出的异常热图中提取稳定出现的异常区域。

ViT虽强，但在工业场景容易"注意力跑偏"。作者提出掩码引导注意力机制，只引导 [CLS] token 聚焦于异常区域，同时保留其他token的全局感知能力。

由于每幅图中可能有多个异常区域，且部分区域是误检，作者提出面积加权融合策略，避免"平均投票"被噪声干扰：

AnomalyNCD不仅理论设计合理，在实际效果上也具备明显优势。论文在两个权威工业数据集上进行了充分对比实验：

仅使用未标注图像，与当前最强无监督聚类方法（AC）相比，NMI 提升 8.8%，F1 提升 10.8%（见表格1）。

结合一类检测器（如CPR）后，F1 高达 80.5%，比原方法高出近10个百分点（见表格2）。

引入主元素二值化（MEBin）后，F1 提升 7.2%，且在不同AD方法上均优于固定阈值方案。

掩码引导模块（MGA）在不同位置插入后，以"最后9层"为最佳配置（见表格5）。

伪标签修正策略（PLC）显著提升正常类识别的 recall（+14.9%）。

AnomalyNCD不仅兼容各种工业检测算法，还具备以下优势：

这意味着在未来的智能工厂中，算法不再只是"告诉你哪里坏了"，而是能够进一步 "告诉你坏在哪、坏了什么" ，让生产更加高效、智能、少人工。

AnomalyNCD的提出，标志着工业异常检测进入一个全新阶段：从"发现异常"迈向"理解异常"。这一框架不仅增强了AI在工业质检中的智能程度，也为NCD在低语义场景中的落地应用提供了重要示范。未来，类似的自监督与掩码机制将成为提升工业智能的关键武器。