基于多尺度边缘信息选择与全局信息融合的YOLO11-MG绝缘子故障检测

《Electronics》:YOLO11-MG Insulator Fault Detection Based on Multi-Scale Edge Information Selection and Global Information Fusion

【字体: 大 中 小 】 时间:2026年08月28日 来源:Electronics 2.9

编辑推荐:

  持续集成(Continuous Integration, CI)管道在多层级软件系统中面临验证完整性与执行效率之间的张力。回归测试选择与学习型优先排序技术缓解了这一矛盾,但通常以黑盒方式运行,无法为其决策提供可解释的依据。本文提出了MOX,一个面向风险感知测试

  
持续集成(Continuous Integration, CI)管道在多层级软件系统中面临验证完整性与执行效率之间的张力。回归测试选择与学习型优先排序技术缓解了这一矛盾,但通常以黑盒方式运行,无法为其决策提供可解释的依据。本文提出了MOX,一个面向风险感知测试选择的初步决策支持框架,该框架联合优化四个目标:执行成本、故障检测影响、受影响测试覆盖率以及一个提出的可解释性评分,该评分被形式化为一个头等、可数值优化的目标(一个结构可追溯性代理,而非经过验证的人类可解释性度量),并在一个受可配置影响预算约束的基于Pareto的选择机制中进行权衡。研究人员在两个来自ABB的公开工业CI数据集上对MOX进行了回顾性评估,即iofrol(1941个测试,320个周期)和paintcontrol(89个测试,352个周期),这些数据集包含工业机器人软件集成级回归测试的执行日志。没有开发或执行新的测试:选择按历史周期根据记录的通过/失败判定进行重放。由于日志不包含代码变更,每个周期的变更事件从该周期失败的测试中推断,因此检测数据必须解读为在给定选择预算下对失败测试的回顾性保留,而非前瞻性故障检测。在此协议下,MOX在评估的含失败周期内保留了96.7%(iofrol)和98.2%(paintcontrol)的记录失败,全套成本为53.9%–57.5%,并将平均故障检测百分比(Average Percentage of Faults Detected, APFD)从0.507提高到0.626,从0.596提高到0.815;配对Wilcoxon检验高度显著(),且MOX将记录失败排序早于信息性优先排序基线(包括输入匹配的单目标类比)的周期约占70–80%。在该协议内,一项目标移除消融研究将排序收益归因于可解释性目标,而最廉价的配置也在所提可追溯性度量上得分最高。
论文解读:MOX——面向多层CI的风险感知可解释测试选择框架

**研究背景与问题**
现代软件系统常采用分层架构,操作系统内核、中间件、硬件抽象驱动与应用服务并行开发,并通过自动化持续集成(Continuous Integration, CI)管道集成。此类系统中,任一层级的修改会沿依赖链传播,破坏高层组件假设,引发级联复验需求。因此,即使小规模变更,其测试范围在源码层面也结构上不确定。默认全量重跑测试套件会产生数十分钟至数小时的回归反馈延迟,与CI的快速迭代目标冲突。工业研究反复指出测试反馈延迟是阻碍CI快速迭代的主要障碍。同时,在ISO 26262或IEC 61508等监管领域,测试削减必须可辩护、可审计且可追溯到底层变更。CI管道由此面临速度、可靠性与问责三重压力,单一目标优化难以解决。现有方法中,回归测试选择(RTS)依赖静态或动态依赖分析,在多层级环境下传递影响集庞大且跨仓库依赖建模不完整,导致安全保障退化;机器学习优先排序利用历史失败日志和代码变更特征,实现效率提升但模型不透明,无法提供包含/排除决策的可解释依据。此外,多数方法仅优化单一或至多两个目标,罕见将决策可解释性本身作为可优化量。这促使研究人员提出MOX框架。

**研究内容与结论**
MOX将执行成本、故障检测影响、覆盖率广度与可解释性作为联合优化目标,通过Pareto前沿近似机制暴露四维权衡,并提供可配置风险/置信度接口及原生可解释性模块。研究人员在两个ABB工业数据集上开展回顾性重放评估,在10%影响预算下,MOX保留了96.7%(iofrol)和98.2%(paintcontrol)的记录失败,成本仅为全套执行的53.9%–57.5%,并将APFD从0.507提升至0.626(iofrol)、从0.596提升至0.815(paintcontrol)。配对Wilcoxon检验显著,MOX在70–80%周期中比单目标类比基线更早排序失败测试。消融与敏感性分析表明,排序增益主要来自可解释性目标,且风险阈值收紧可同时降低成本并提高可追溯性评分,挑战了可解释性必然牺牲效率的惯性假设。论文发表于《Electronics》,其意义在于首次将可解释性表达为CI测试选择中可优化的目标,并为审计导向CI提供了决策支持原型。

**关键技术方法**
研究主要采用以下技术:①依赖感知影响分析:通过有界广度优先遍历组件依赖图,计算变更的前向可达集,并基于最短依赖路径和覆盖重叠度评估测试影响;②多目标Pareto选择:从Dirichlet分布采样权重向量,对每个权重使用加权和贪心选择生成候选解,再通过非支配排序提取Pareto前沿近似;③可配置风险/置信度接口:以环境变量形式暴露风险参数α和置信度门槛,作为硬性影响预算和覆盖重叠相似度过滤条件;④原生可解释性模块:为每个包含/排除决策生成包含依赖路径、覆盖重叠相似度、历史失败概率和风险余量的四字段记录。样本队列来自ABB的iofrol(1941项测试、320周期)和paintcontrol(89项测试、352周期)公开数据集,采用回顾性重放协议,无新测试开发或执行。

**研究结果**
**6.1 总体性能**:在iofrol上,MOX在57.5%成本下保留96.7%记录失败,APFD达0.626,优于SOS(95.7%,APFD 0.573)和RET(91.7%成本80.4%);在paintcontrol上,MOX在53.9%成本下保留98.2%失败,APFD为0.815,显著高于SOS的0.749,而两者成本相近。DCH因协议推断获得100% FDR但属循环真值伪影,且覆盖广度低;RET因历史频率弱关联现有变更而付出成本代价。
**6.2 风险阈值影响**:随α从0.05升至0.30,iofrol成本由63.7%降至38.5%,FDR从99.1%平滑降至82.7%;paintcontrol在α=0.30时成本降至29.6%仍保留92.0%失败。两个数据集上可解释性评分均随α单调上升。
**6.3 消融研究**:移除可解释性目标导致最大APFD降幅(iofrol Δ=?0.030,paintcontrol Δ=?0.024);移除成本目标时成本上升但FDR与APFD略升;移除覆盖目标无显著影响(因实例中测试为单组件覆盖);移除影响目标时FDR与APFD微升,但风险约束仍保留故障。消融表明排序信号主要源于可解释性目标,保留下限由约束而非目标强制执行。
**6.4 可解释性–效率关系**:两个数据集上可解释性评分随α严格单调上升,且MOX的ES评分与SOS相当或略高,并超过RET。这印证了短依赖路径和高历史特异性的测试同时具有高效率和可追溯性,但该发现部分源于共享评分组件,且仅涉及所提代理而非实证的人类可理解性。
**6.5 敏感性分析**:在iofrol上扫查α_imp(0至1),FDR始终介于95.8–97.9%,无尖锐最优,表明无需精细调参。
**6.6 统计显著性**:配对Wilcoxon检验显示MOX vs SOS在iofrol(p<10-5)和paintcontrol(p<10-5)均显著,配对优势统计量d=0.39–0.59,即约70–80%周期中MOX的APFD高于基线。
**6.7 稳定性与泄漏导向检查**:参考实现复现了模式,10个种子下MOX–SOS差距均为正,种子间标准差极小;严格前序图重建后差距基本保持;循环块自举置信区间排除零;固定标量化的阶乘比较显示排序收益主要源于目标向量扩展而非Pareto搜索本身。

**讨论与结论**
讨论指出回顾性协议仅证明比较性结论,即相同输入与预算下多目标机制将记录失败排序更早,但前瞻性能力需基于代码差异的严格前序评估验证。可解释性与效率一致性源于共享的结构与历史项,实际意义限于所提代理。威胁有效性分析涵盖构造效度(依赖图由共失败代理)、内部效度(变更事件由失败推断,存在泄漏)、外部效度(ABB数据集局限)及结论效度(序列相关通过块自举处理)。结论部分翻译如下:本文介绍了MOX,一种面向多层CI系统中风险感知、可解释集成测试选择的多目标Pareto框架,并基于ABB两个工业数据集记录周期判定进行了初步回顾性评估。在10%影响预算下,MOX保留了96.7%(iofrol)和98.2%(paintcontrol)的记录失败,成本为全套执行的53.9%–57.5%;由于各周期变更事件由失败测试推断,这些数据衡量的是给定预算下失败测试的回顾性保留,而非前瞻性故障检测。同一协议内,MOX将记录失败排序显著早于信息性优先基线(RET和SOS),配对优势统计量d=0.39–0.59;该比较隔离了四目标公式与Pareto搜索的联合效应,首项阶乘分析将排序增益主要归因于目标向量扩展。核心概念贡献在于将可解释性形式化为结构可追溯性评分作为头等可优化目标。实证发现最廉配置同时获得最高代理评分,与“效率–透明”权衡的常见假设相反;但该对齐部分由共享组件导致,且涉及所提代理而非实证人类可解释性,故其审计CI实践价值为提示性而非确证。MOX应视为初步决策支持框架及回顾性概念验证。更强主张所需证据包括:基于代码差异与真值依赖图的严格前序验证、对工程师/审计员的人工评估、与完整RL代理的比较、置信度门槛评估及嵌入式RTOS管道扩展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号