语义偏差锚定的多分支融合：面向非结构化 Conveyor-Belt 煤场的无监督异常检测与像素级定位
计算机视觉与模式识别
2026-02-10 v1
摘要
可靠的外物异常检测与像素级定位对于保障采矿作业的安全和智能化至关重要。但在非结构化环境中，这一任务尤为具有挑战性：煤炭与矸石随机堆积，背景复杂且变化，外物常呈低对比度、变形、遮挡，与其周围环境耦合。这些特征削弱了许多异常检测方法在结构化工业场景中依赖的稳定性和规则性假设，导致显著性能下降。为支持此场景下的评估与比较，我们构建了名为 CoalAD 的基准数据集，用于非结构化煤流场景下的无监督外物异常检测与像素级定位。我们进一步提出了一种互补线索协同感知框架，从三个角度提取并融合互补异常证据：对象级语义组成建模、基于语义归属的全局偏差分析以及细粒度纹理匹配。融合后的输出提供稳健的图像级异常评分和精确的像素级定位。在 CoalAD 上的实验表明，我们的方法在评估的图像级和像素级指标上超越了广泛使用的基线，消融实验验证了各组件的贡献。代码已公开于 https://github.com/xjpp2016/USAD。
引用
@article{arxiv.2602.07694,
title = {Semantic-Deviation-Anchored Multi-Branch Fusion for Unsupervised Anomaly Detection and Localization in Unstructured Conveyor-Belt Coal Scenes},
author = {Wenping Jin and Yuyang Tang and Li Zhu},
journal= {arXiv preprint arXiv:2602.07694},
year = {2026}
}