在全球智能制造领域，智能检测装备的重要性日益凸显，成为推动产业升级的关键力量。2023年，工信部联合七部委发布《智能检测装备产业发展行动计划》中明确指出“智能检测装备作为智能制造的核心装备，是工业六基的重要组成和产业基础高级化的重要领域”。中科慧远作为中国科学院工业视觉智能装备技术工程实验室的产业化实施单位，携手工程实验室在工业视觉检测技术领域取得了突破性进展。其三项创新研究成果被ECCV2024这一国际顶级计算机视觉会议收录，为中国智能制造和工业自动化发展注入强劲动力。

ECCV，全称为European Conference on Computer Vision，即欧洲计算机视觉国际会议，是计算机视觉领域中最顶级的会议之一，与ICCV（International Conference on Computer Vision）和CVPR（Conference on Computer Vision and Pattern Recognition）并称为计算机视觉领域的“三大顶会”。ECCV两年举行一次。ECCV 2024论文总投稿数约12600篇，其中2395篇论文中选，录用率为18%。

本次被收录的三篇论文分别针对工业视觉检测中无监督异常检测中缺陷样本难以获取、零样本异常分割挑战以及小样本缺陷图像生成三个难题进行了深入研究：

《A Unified Anomaly Synthesis Strategy with Gradient Ascent for Industrial Anomaly Detection and Localization》面向工业异常检测与定位的梯度上升引导统一异常合成策略

在工业缺陷检测领域，传统监督学习方法因样本收集困难和高昂的注释成本而受限。为解决这一挑战，无监督异常检测技术成为主流。尽管如此，现有技术在异常合成的广度和可控性上仍有不足，特别是在识别与正常区域相似的微小缺陷方面。针对这些局限性，团队提出了一种创新的全局与局部异常共合成策略（GLASS）。GLASS基于流形假设，通过梯度上升和截断投影技术，实现从局部到全局的异常样本合成，有效提升了对微小缺陷的检测能力。在MVTec AD等多个工业数据集上，GLASS不仅取得了行业领先的检测效果，还在实际的织物缺陷检测应用中验证了其高效性。

《VCP-CLIP: A visual context prompting model for zero-shot anomaly segmentation 》基于视觉语义提示的零样本异常分割方案

当前，视觉语言模型（VLM）正在科技界掀起一场创新浪潮，CLIP模型以其卓越的多模态理解能力成为这一领域的标杆。团队以CLIP作为模型基座，设计了VCP-CLIP方案，一种新颖的基于视觉语义提示的零样本异常分割方案。首先，VCP-CLIP通过Pre-VCP模块，巧妙地利用图像的全局特征来替代传统的文本提示，有效解决了在数据隐私保护下产品类别识别的难题。其次，Post-VCP模块进一步细化图像特征，与文本嵌入进行深入交互，增强模型对图像异常语义的识别能力。实验结果表明，VCP-CLIP在10个真实工业数据集上展现了卓越的性能，实现了零样本异常分割的最佳效果。

《Few-shot Defect Image Generation based on Consistency Modeling》——基于一致性建模的小样本缺陷图像生成

随着生产技术的进步，缺陷样本变得日益稀缺，给数据的收集和标注带来了不小的挑战。为了克服这一难题，团队提出了一种名为DefectDiffu的文本引导扩散方法，用于生成高质量和多样化的工业缺陷图像。该方法基于产品内部背景和产品间缺陷的一致性，通过解纠缠集成架构和文本编码器，实现了背景和缺陷的解耦与整合。DefectDiffu利用交叉注意映射获得准确的二值掩码注释，并通过double-free策略灵活控制产品类型和缺陷强度。此外，引入自适应注意力增强损失以增强对小缺陷和掩模的关注，提高生成质量。这种方法能够在有限的训练样本下，有效生成可控的多样化缺陷图像，对工业质量控制和自动化检测系统的发展具有重要意义。

这些研究成果的取得，为中科慧远在工业视觉检测领域的技术实力奠定了坚实基础。中科慧远将继续致力于工业视觉检测技术的研发和应用，为推动智能制造和工业自动化发展贡献力量。