本实验室面向智能制造领域中的质量控制关键需求，开展产品包装缺陷检测技术与设备的系统性研究。针对传统检测方法依赖人工或基于规则的图像算法、难以应对多样化缺陷及样本不足等问题，实验室聚焦于无监督异常检测算法在包装缺陷检测中的创新应用。该研究方向利用深度学习技术，仅依赖正常样本构建图像特征分布模型，通过学习正常包装图像的模式，对偏离该模式的区域进行自动识别与精准定位，从而实现无需缺陷样本的高效检测。该方法大幅降低了数据标注与预处理的人力成本，具备更强的泛化能力和适应性，能够应对不同产品类型、复杂背景以及小样本场景下的缺陷检测任务。推动无监督异常检测技术在实际生产线中的应用转化，支撑新一代智能质检装备的构建与产业化落地。
