近日，我院景军锋教授团队的研究成果“SupAD: A superordinary zero-shot industrial anomaly detection network based on gated-agnostic multimodal adaptive learning prompts”被JCR一区期刊（IF=7.4）《Journal of Intelligent Manufacturing》接收。该成果第一作者为本科生李欣颖，第二作者为本科生吴烔，指导老师为景军锋教授。

该论文第一作者李欣颖同学为自动化专业2022级本科生，自入学起积极参与到导师团队，参与导师课题研究。经过三年的理论和实践培养，打下了扎实的人工智能基础理论，具有丰富的学科竞赛经历，目前已获得推荐免试攻读西北工业大学计算机学院硕士研究生的名额。

该成果体现了电子信息学院在推进人工智能应用发展以及未来青年AI创新人才方面取得的积极成效。电子信息学院将继续为学生提供丰富的科研资源和前沿技术平台，助力更多优秀学子在学术舞台上展现创新能力和科研实力。

成果简介：工业异常检测是工业生产流程中的关键组成部分。现有的基于深度学习的方法在针对实际工业应用进行训练时，在泛化到未见过的物体类别方面面临重大困难。为弥合这一差距，该研究提出了一种基于CLIP的零样本异常检测（ZSAD）方法SupAD。首先，在视觉编码器中设计了动态窗口划分器（DWP），可根据输入图像的表面复杂度动态调整窗口大小，并结合纹理感知注意力机制以捕捉细粒度的异常特征；其次，提出了一种集成空间梯度适配器的门控无关多模态自适应（GAMA）提示学习模块；最后，引入分层对比学习（HCL）来优化全局和局部提示学习，有效增强模型的跨域泛化能力。实验结果表明，该模型在1个私有数据集和5个公开基准测试上均优于现有ZSAD方法，达到了最先进的性能。更重要的是，该方法为其他基于CLIP的异常检测方法提供了重要启示。

图1 SupAD框架图