摘要
工业领域的无监督异常检测一直是备受关注的研究课题，也是实现高性能工业自动化流程的重要基石。目前绝大多数面向工业场景的方法均依赖于从正常样本中学习以实现异常检测，然而在某些特定工业场景中，甚至需要更少的特定训练数据，从而要求异常检测方法具备更强的泛化能力。一个典型的实际应用场景是织物缺陷检测，该场景需应对极其丰富的颜色与纺织品类别，且生产线上无法接受因训练而停机。针对这一挑战，本文提出了一种面向工业织物纹理缺陷检测的自动化流程，该流程在领域泛化异常检测的基础上引入了特定性学习机制，结合强大的泛化能力与高效的特征学习过程，实现了快速且精确的异常检测与分割。本文的主要贡献如下：1. 提出一种基于领域泛化的纹理异常检测方法，实现了当前最先进的性能表现；2. 基于所提方法自动提取正常样本，支持快速的特定化训练；3. 设计了一种基于自定义缺陷生成的自我评估机制，用于量化模型性能；4. 实现了对已见过织物的自动识别，有效避免重复训练，提升系统效率与实用性。