［本站讯］近日，机械工程学院宋维业教授团队在异常检测领域取得系列重要突破。相关原创性成果发表在Information Fusion（中科院一区TOP期刊，IF=15.5）、Expert Systems With Applications（中科院一区TOP期刊，IF=7.5）、IEEE Journal of Biomedical and Health Informatics（中科院一区TOP期刊，IF=6.8）等国际权威学术期刊，第一作者为宋维业团队2024级博士研究生徐睦浩。

研究成果一：面向工业图像的双异构知识蒸馏异常检测模型

题为“Beyond Feature Mapping: Dual-Heterogeneous Knowledge Distillation with Mamba for Industrial Anomaly Detection”的研究，针对工业场景中结构异常与逻辑异常并存的问题，提出了一种双异构知识蒸馏网络。该方法突破传统单一学生网络结构的限制，引入双解码器设计，从局部细节建模与全局语义建模两个角度协同学习。其中，一支分支通过空间通道交互增强局部结构表达能力，另一支基于Mamba序列建模机制捕获长距离依赖关系，有效提升对复杂异常模式的识别能力。该方法在多个工业基准数据集上显著优于现有主流方法，为复杂工业质检提供了新的技术路径。

工业异常检测框架图

研究成果二：面向视网膜OCT的混合异构蒸馏异常检测方法

题为“Hybrid Dual-Heterogeneous Knowledge Distillation Network for Anomaly Detection in Retinal OCT Images”的研究，针对医学影像中细粒度结构异常与全局病理变化难以统一建模的问题，提出面向OCT影像的混合双异构知识蒸馏网络。该方法通过构建编码器—双解码器结构，有效缓解传统蒸馏方法中的“特征同构映射”问题。实现多尺度异常的协同检测。实验结果表明，该方法在多种OCT数据集上实现了先进性能，显著提升了模型对复杂病变的敏感性与鲁棒性。

医学异常检测框架

研究成果三：面向PET/CT多模态影像的异常检测框架

题为“Towards Reliable Medical Unsupervised Anomaly Detection: A Benchmark and Dataset for PET/CT with Cross-Modality Knowledge Distillation Network”的研究，针对医学影像中多模态信息难以有效融合的问题，首次构建了面向胸部疾病的PET/CT无监督异常检测数据集，并提出跨模态异常检测网络。该方法通过反向知识蒸馏策略，在统一框架下建模PET的代谢信息与CT的结构信息，引入跨模态先验token实现全局一致性约束，同时结合全局融合优化模块增强长程依赖建模能力。宋维业教授和齐鲁医院教授李昕为共同通讯作者，徐睦浩和齐鲁医院曲莉莉为共同第一作者。该研究为该方向提供了系统性数据支撑与方法参考，为临床复杂场景下的智能诊断提供了重要支撑。

多模态异常检测框架

同时，为推动理论研究向实际工业场景落地转化，团队积极开展产学研协同创新，围绕真实生产环境中复杂背景干扰、缺陷类型多样及实时性要求高等关键问题，实现了算法体系设计与工程化实现。目前，该系统已在青州卷烟厂生产线正式上线运行。该项目实现了从理论方法创新到工程应用落地的闭环验证，为智能制造领域中异常检测技术的产业化应用提供了有力示范。

徐睦浩，入选2026年中国科协青年科技人才培育工程博士生专项计划，硕博期间主要从事无监督异常检测与多模态视觉分析研究，以第一作者在Information Fusion、IEEE Transactions on Industrial Informatics、IEEE Transactions on Circuits and Systems for Video Technology等国际期刊发表论文7篇，其中IEEE Trans汇刊4篇，获得研究生国家奖学金、山东省研究生创新成果奖、山东省优秀硕士论文等奖励。以项目负责人获得第十八届挑战杯全国大学生课外学术科技作品竞赛国赛二等奖，并获得中国研究生人工智能创新大赛全国一等奖、“挑战杯”中国大学生创业计划竞赛国家级银奖、中国国际“互联网+”大学生创新创业大赛国家级铜奖等10余项国家级和省部级奖励。