工业视觉异常检测：关于架构、模态及学习范式的综述

来源：信号处理杂志 2026年第2期北京时间：

作者：邢鹏, 杨恩泉, 刘超凡, 曾丹, 李泽超

摘要：作为决定工业系统可靠性的关键技术，异常检测在现代制造业中具有不可替代的地位。随着生产系统对精度、自动化及泛化能力要求的不断提升，传统方法的局限性日益凸显。近年来，深度学习与计算机视觉技术的快速发展推动了工业异常检测技术的多维度升级。在数据维度，检测对象从单一二维纹理图像扩展至富含几何信息的三维点云。在架构维度，模型设计深度融合了 Transformer 的长距离依赖建模能力与卷积神经网络的局部感知优势。在信息利用上，研究正逐步转向多源异构信息的深度模态融合。工业场景中正负样本极端不平衡且异常形态难以预测，构成了该领域的核心挑战。为此，主流方法已由数据依赖型的全监督学习，逐步转向更加灵活高效的无监督重建、特征嵌入或弱监督学习机制。尽管相关研究成果呈快速增长，但现有的文献体系尚显碎片化，缺乏对涵盖2D与3D全模态技术的系统性理论归纳与统一视角的深入剖析。本文旨在填补这一空白，通过全面回顾现有的前沿检测算法，从数据集构建特性、评价指标体系的适用性以及主流开源框架的工程化应用等多个层面，梳理技术演进脉络。同时，我们对当前领域亟待解决的逻辑异常识别、模型轻量化部署等挑战及未来的大模型赋能趋势进行了深入探讨。本文期望通过提供一个全面、系统且具有前瞻性的综述，为推动工业异常检测的学术理论创新与工程实践落地提供重要参考。

关键词：异常检测, 3D异常检测, 工业质检, 无监督