《Engineering Applications of Artificial Intelligence》:A novel diffusion model-based deep learning approach for anomaly detection in computer connector image analysis
编辑推荐:
扩散模型框架通过预测噪声向量结合降维与软投票集成实现计算机连接器缺陷高效检测,在Surface Damage(0.9875准确率)和Pin Twist(0.9789准确率)数据集上显著优于传统方法与基线。
范书凯(Shu-Kai S. Fan)| 赖立钦(Li-Chin Lai)
台湾国立台北科技大学工业工程与管理系,台北市,106344,中华民国
摘要
连接器是重要的工业组件,其质量直接影响电子制造系统的可靠性和稳定性。因此,确保准确的异常检测对于产品性能和制造效率至关重要。然而,传统的基于规则和经验的检测方法常常因缺陷样本的稀缺性、多样性和复杂性而失效。为了解决这些限制,本研究提出了一种基于扩散模型的深度学习框架,用于计算机连接器的异常检测。与基于重建误差的方法不同,该方法采用预测的噪声向量作为判别特征,并通过降维和经典分类器的软投票集成进行优化。该框架还集成了高分辨率的卷积下采样,从而能够保留识别细微缺陷所需的结构细节。在包括针脚扭曲(Pin Twist)和表面损伤(Surface Damage)在内的多个连接器缺陷数据集上的广泛实验表明,该框架具有出色的性能。在表面损伤数据集上,该框架的准确率达到了0.9875,宏观F1分数为0.9884;在针脚扭曲数据集上,准确率为0.9789,宏观F1分数为0.9808,始终优于传统的机器学习方法、最先进的深度学习方法以及最近的工业基线方法。此外,该框架在样本量较少的情况下也表现出高效性,并且对输入分辨率和模态具有鲁棒性。这些结果证明了基于扩散的建模是一种创新且实用的工业异常检测解决方案,在实际制造环境中具有巨大的应用潜力。
引言
在高性能工业系统中,核心组件的耐用性和可靠性同样重要。其中,计算机连接器作为电力、信号和数据在机电子系统之间传输的关键通道,尤为重要。关于联想记忆网络(Hopfield,1982年)和神经压缩(Gedeon和Harris,1992年)的基础研究证明了学习丰富内部表示的可行性,而开创性的ImageNet卷积神经网络(CNN)突破(Krizhevsky等人,2012年)为大规模视觉识别任务重新激发了深度学习(DL)的研究。随着现代制造过程变得越来越复杂,质量要求也越来越严格,即使是最微小的连接器异常的检测也成为了一个关键挑战。传统的基于规则的检测方法和常规的机器视觉流程往往难以应对这一问题,因为现代缺陷模式往往稀少、异质且本质复杂。最近在生成建模方面的进展,特别是去噪扩散概率模型(DDPMs),已成为一种强大的异常检测框架,能够对名义数据的概率分布进行建模,并在预测流程中识别出潜在的异常(Ho等人,2020年;Nichol和Dhariwal,2021年;Xu等人,2023年;Sui等人,2024年)。在此基础上,Livernoche等人(2024年)的研究探讨了DDPMs与计算效率更高的替代方法——扩散时间估计(DTE)在监督和无监督异常检测场景下的性能权衡。Liu等人(2025年)的综述则全面回顾了基于扩散的技术在多种模态中的应用,包括工业制造领域,为本文采用的方法提供了重要的理论和实践见解。
在先进的工业环境中,保护核心组件的寿命和功能可靠性是不可或缺的。计算机连接器作为电力分配、信号传输和数据交换的主要接口,在这些基础设施中起着特别关键的作用。它们的退化通常以潜在和渐进的方式出现,通常始于接触电阻的微小变化或微观尺度的表面恶化。尽管这些早期表现较为微妙且肉眼不可见,但它们常常预示着更严重的机械或电气故障,因此强调早期和准确检测机制的重要性。一旦这种退化变得宏观可检测,修复通常变得困难或不可行(Song等人,2024年)。大量的可靠性研究表明,振动和热循环会加速摩擦腐蚀,导致在任何可见损伤出现之前就增加收缩阻力,从而证明了早期异常筛查的必要性(Park等人,2008年)。行业标准也规定了早期检测的要求;例如,SAE/USCAR-2规定了在开发和生产阶段进行振动和热循环测试,并对允许的接触电阻漂移设定了严格限制(SAE International,2020年)。因此,质量控制系统必须能够在最早阶段可靠地将每个实例分类为正常或异常,从而在故障传播之前进行预防性维护或拒绝。准确区分正常和异常样本也是下游任务(如缺陷定位、故障模式分析和过程优化)的基础。从根本上说,有效的异常检测需要对名义数据分布进行可靠的表征,从而将任何表现出显著偏差的实例标记为潜在风险。这激发了本文提出的基于扩散的框架,该框架学习了正常连接器实例的完整概率密度,并定量评估偏差以将样本分类为符合或不符合标准。
扩散模型最初是为高保真图像生成而设计的,它们通过高斯噪声逐渐破坏干净图像,并学习一个反向去噪过程,以捕获名义(无缺陷)模式的完整概率分布。当仅基于正常样本进行训练时,这些模型可以识别偏差为异常,而无需依赖大型、标记的缺陷数据集(Sohl-Dickstein等人,2015年;Song等人,2020年;Liu等人,2025年)。它们的概率表述进一步使得生成可解释的噪声残差和逐像素概率图成为可能,这些图突出了异常概率较高的区域(Ho等人,2020年;Song等人,2020年;Rombach等人,2022年;Ho和Salimans,2022年)。这些特性与连接器检测的要求非常吻合,因为缺陷样本不仅稀缺,而且形态多样性很大,使得传统的监督方法效果较差。受到上述优势的启发,本研究利用基于扩散的建模来构建一个可扩展的异常检测框架,以适应连接器检测任务的结构和视觉复杂性。
本研究采用基于扩散的建模开发了一种可扩展的、无监督的计算机连接器异常检测框架。通过将概率重建与高分辨率特征分析相结合,该框架追求三个主要目标:(i)高效地检测微妙和异质的缺陷;(ii)生成视觉上可解释的输出以支持可操作的维护决策;(iii)适应不同类型的连接器和工业检测环境。从技术角度来看,本研究引入了一个专门针对该领域的基于扩散的异常检测框架,它超越了传统的基于重建误差的方法,利用多步预测噪声表示作为主要的异常判别特征。当与内容感知的高分辨率输入策略和小样本鲁棒集成分类模块结合使用时,该框架提供了一种无需重建、高效标记且保留结构的解决方案,专门针对连接器级别工业检测的独特复杂性进行了设计。该框架旨在解决手动检测和基于规则的机器视觉系统的固有局限性,为下一代制造的需求提供了智能的、内联的质量控制解决方案。在第2节中,回顾了两种方法论类别的异常检测方法:(i)机器学习方法和(ii)深度学习方法。这些方法是构建所提出的异常检测框架的基础组件。
部分摘录
机器学习方法
监督和无监督算法,如单类支持向量机(OCSVM)、隔离森林(Isolation Forest)、随机森林(Random Forests)、极端梯度提升(XGBoost)和逻辑回归(Logistic Regression)(Pedregosa等人,2011年),可以学习区分名义和异常实例的决策边界或密度估计。XGBoost通过考虑稀疏性的分割发现和分布式训练,扩展了经典的梯度提升范式,实现了最先进的性能
一种新的缺陷分类异常检测方法
作者使用两种广泛采用的基线进行的初步实验揭示了明显的局限性,这促使了所提出框架的开发。首先,一个传统的卷积神经网络(CNN),用于将图像分类为正常、针脚扭曲或表面损伤类别,虽然训练速度快,但在光照条件略有改变的情况下,其二分F1分数下降到了0.90/0.88,表明其泛化能力较差
实验与结果
本节在逐渐严格的场景下评估了所提出的噪声特征流程。图2展示了三张原始分辨率为1574 × 952像素的代表性原始图像。左侧面板显示了一个正常连接器,中间面板显示了一个针脚扭曲的缺陷,其中弯曲的针脚用红色突出显示,右侧面板展示了一个表面损伤缺陷,其中接触区域的划痕被突出显示。
结论
本研究提出了一种基于扩散模型的计算机连接器异常检测框架,解决了数据稀缺、缺陷异质性和传统检测方法局限性等固有挑战。通过采用去噪扩散概率模型提取多步噪声特征,然后通过加权机器学习模型集成进行降维和分类,该框架展示了强大的判别能力
CRediT作者贡献声明
范书凯(Shu-Kai S. Fan):撰写 – 审稿与编辑,撰写 – 原始草稿,方法论,形式分析,数据管理,概念化。赖立钦(Li-Chin Lai):撰写 – 原始草稿,方法论,调查,形式分析。
资助
国家科学技术委员会(NSTC 113-2221-E-027-108-MY3,NSTC 114-2221-E-027-099-MY2)
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:范书凯报告获得了国家科学技术委员会的财务支持。范书凯与国家科学技术委员会的关系包括:资金资助和差旅报销。如果有其他作者,他们声明没有已知的财务利益或个人关系