一、研究背景与意义

 

在电气化和自动驾驶技术推动下，汽车电子系统的可靠性成为核心需求，而电子连接器作为电子系统信号传输的关键组件，其质量检测直接影响整车安全。当前电子连接器异常检测存在两大核心痛点：一是异常样本稀缺，传统有监督学习因难以捕捉异常特征，检测性能受限；二是现有无监督检测方法普遍存在重建图像模糊、缺陷残留等问题，导致检测精度和异常定位效果不佳。此外，人工检测虽灵活但效率低、易受主观因素影响，漏检风险高，无法满足工业化批量检测需求。

 

在此背景下，开发一种仅依赖无异常样本训练、兼具高精度与高效率的无监督异常检测方法，对提升电子连接器质检效率、降低劳动成本具有重要现实意义。本文基于扩散模型理论，提出针对性解决方案，有效突破现有技术瓶颈，为工业缺陷检测领域提供了新的技术范式。

 

二、主要研究内容

 

本文围绕电子连接器无监督异常检测展开，构建了“预处理-特征学习-异常检测-后处理”的完整技术框架，核心是通过改进扩散模型实现高质量图像重建，进而精准识别异常。具体研究内容如下：

 

（一）电子连接器图像预处理方法研究

 

为解决复杂背景干扰和目标姿态不一致导致的特征提取效率低问题，本文提出一套标准化预处理流程，核心目标是去除冗余信息、统一目标姿态，为后续模型学习奠定基础。

 

预处理流程分为四步：

 

1. 精确分割背景：基于SAM（Segment Anything Model）生成目标精确掩膜，通过图像与掩膜的“与操作”剥离背景，保留连接器边缘完整信息，避免传统分割方法的边缘丢失问题；

2. 干扰排除：对分割后图像进行腐蚀处理，过滤细小噪声和无关干扰，提取连接器最小外接矩形（MBR）；

3. 姿态标准化：通过仿射变换将不同角度、位置的连接器调整至统一姿态，消除姿态差异对特征学习的影响；

4. 图像规整：将处理后图像统一尺寸为224×224像素，满足模型输入要求。

 

该流程通过聚焦连接器主体特征，显著提升模型对表面纹理、结构特征的学习效率，为高质量重建提供数据基础。

 

（二）一步去噪单纯形扩散模型（OSDS-DDPM）构建

 

扩散模型（DDPM）作为近年来表现优异的生成模型，其核心是通过“前向加噪-逆向去噪”过程学习数据分布。但传统高斯去噪扩散模型存在特征投影误差，易导致重建位置偏差；且多步迭代去噪耗时过长，无法满足实时检测需求。为此，本文对扩散模型进行两点关键改进：

 

一步去噪单纯形扩散模型异常检测

 

1. 噪声类型优化：摒弃传统高斯噪声，引入单纯形噪声构建扩散模型。单纯形噪声基于等边三角形网格生成，相比高斯噪声具有更低的维度相关性和方向性伪影，能更精准捕捉连接器表面纹理特征。其核心优势在于：在破坏异常区域的同时，可保留正常区域纹理完整性，避免重建图像模糊；通过调整噪声频率，可覆盖不同大小的异常区域（如微小孔洞、组件缺失等），提升异常区域重建能力。

2. 去噪范式革新：提出“一步去噪”范式替代传统多步迭代去噪。传统扩散模型逆向过程需多次迭代推理，计算成本高；而一步去噪通过预训练U-Net直接预测噪声，仅需一次推理即可从含噪图像重建无异常图像。具体而言，模型通过学习噪声分布规律，可直接从加噪后的图像中还原出无异常样本特征，将推理时间压缩至0.09s，满足工业实时检测需求。

 

（三）异常检测与定位机制

 

基于高质量重建图像，本文构建“重建对比-差异分析-精准定位”的异常检测流程：

 

1. 异常判定：通过计算输入图像与重建图像的峰值信噪比（PSNR）判定是否存在异常。利用Z-score方法对无异常样本的PSNR值进行统计，确定阈值（实验中最优阈值为29.76dB）：若输入图像与重建图像的PSNR低于该阈值，则判定为异常。

2. 异常定位：通过图像差分与后处理实现像素级定位。首先计算输入图像与重建图像的像素差值，得到灰度差分图像；再对差分图像进行高斯模糊（5×5卷积核）平滑噪声；最后通过频率调谐显著性（FT）算法，将图像转换至LAB颜色空间，计算像素与图像平均特征的欧氏距离，生成显著性热力图，突出异常区域，实现精准定位。

（四）实验验证

 

为验证方法有效性，本文在公开电子连接器数据集（ECD）上开展对比实验与消融实验。ECD数据集含611张正常样本和391张异常样本（涵盖带缺失、多组件缺失、橙色部件缺失、孔洞4类异常），图像分辨率为1024×1024像素，模型训练仅使用正常样本。

 

实验从重建质量、检测精度、效率三个维度展开：

 

1. 重建质量评估：采用PSNR（峰值信噪比）和LPIPS（感知相似度）为指标，对比本文方法与DCAE、CycleGAN、MAE、DRAEM等经典无监督模型；

2. 检测精度评估：以AUROC（受试者工作特性曲线下面积）为核心指标，分别统计图像级（是否异常）和像素级（异常位置）检测结果；

3. 效率评估：通过推理时间和计算资源消耗验证方法的工业适用性。

 

三、关键技术

 

本文核心技术围绕“高效特征提取-高质量重建-精准检测”的逻辑链展开，形成三项关键技术体系：

 

（一）基于SAM的图像预处理技术

 

该技术解决了传统背景去除方法的边缘信息丢失和姿态不一致问题，核心创新在于：

 

1. 精确分割：利用SAM的强分割能力生成像素级掩膜，确保连接器边缘完整保留，避免传统阈值分割或边缘检测导致的主体信息丢失；

2. 姿态归一化：通过最小外接矩形（MBR）提取和仿射变换，将不同拍摄角度的连接器统一至标准姿态，消除姿态差异对模型学习的干扰，使模型可聚焦于表面纹理和结构特征；

3. 鲁棒性设计：腐蚀处理有效过滤背景噪声（如拍摄时的反光、灰尘），提升模型对真实工业环境的适应能力。

 

实验表明，预处理后模型对表面特征的提取效率提升约30%，重建图像的结构相似性指数（SSIM）平均提高0.15以上。

 

（二）一步去噪单纯形扩散模型（OSDS-DDPM）

 

该模型是检测方法的核心，通过噪声类型与去噪范式的双重革新，实现“高质量重建+高效率推理”：

 

1. 单纯形噪声生成机制：基于等边三角形网格生成噪声，通过坐标转换、梯度计算、径向衰减函数求和三个步骤生成噪声图像。相比高斯噪声，其优势在于：

 

- 低方向性伪影：避免传统噪声导致的重建图像纹理扭曲，尤其适用于连接器表面的细密金属纹理检测；

- 可控频率特性：通过调整噪声参数（如λ值），可覆盖0.1mm-5mm的异常尺寸，对微小孔洞和大型组件缺失均有良好处理效果；

- 结构保留能力：在破坏异常区域的同时，可保持正常区域纹理连续性，减少重建图像的“模糊感”。

 

2. 去噪U-Net架构：采用编码器-解码器结构，通过跳跃连接融合底层细节（如边缘、梯度）和高层特征（如轮廓、结构），提升特征表达能力。编码器通过下采样捕获多尺度特征，解码器通过上采样还原图像分辨率，跳跃连接则确保高分辨率细节不丢失，为高质量重建提供网络支撑。

3. 一步去噪推理：通过简化逆向过程，直接从含噪图像预测无异常图像，省去传统扩散模型的多步迭代。实验验证，该范式在保持重建质量（SSIM达0.97）的同时，推理速度较传统200步迭代方法提升约200倍，满足工业线实时检测需求（单张图像检测耗时≤0.1s）。

 

（三）异常定位后处理技术

 

针对差分图像噪声干扰问题，本文提出“高斯模糊+频率调谐显著性”的后处理方案：

 

1. 高斯模糊：采用5×5高斯核对差分图像进行平滑，有效过滤像素级噪声（如拍摄噪声、重建误差），保留异常区域的整体轮廓；

2. 频率调谐显著性：通过LAB颜色空间转换，将像素差异映射至人眼敏感的颜色通道，再通过欧氏距离计算突出异常区域。该方法相比传统阈值分割，对光照变化、轻微颜色偏差的鲁棒性更强，异常定位精度提升约1.5%。

 

四、创新点

 

本文在理论与技术层面实现三项核心创新，突破现有无监督异常检测的瓶颈：

 

（一）提出标准化图像预处理流程，提升特征学习效率

 

现有方法多直接使用原始图像训练，复杂背景和姿态差异导致模型需学习大量冗余信息，特征提取效率低。本文创新点在于：

 

1. 基于SAM实现像素级背景去除，解决传统方法边缘信息丢失问题；

2. 通过仿射变换统一目标姿态，消除姿态差异对特征学习的干扰；

3. 结合腐蚀处理和最小外接矩形提取，过滤无关噪声。

 

综合作用下，模型对连接器表面特征的学习效率提升约40%，重建图像的PSNR平均值达27.86dB，较未预处理方法提升3.2dB。

 

（二）构建一步去噪单纯形扩散模型，突破重建质量与效率矛盾

 

传统扩散模型存在两大痛点：高斯噪声导致重建模糊，多步迭代导致效率低下。本文创新解决这一矛盾：

 

1. 引入单纯形噪声替代高斯噪声，利用其低方向性伪影特性提升重建质量，异常区域重建完整性提高约15%；

2. 设计一步去噪范式，通过简化逆向过程将推理时间压缩至0.09s，同时保持高重建质量（SSIM达0.97）；

3. 优化去噪U-Net的特征融合机制，通过跳跃连接增强纹理细节保留能力，LPIPS（感知相似度）指标达0.082，优于现有模型。

 

该模型在重建质量（PSNR、LPIPS）和推理效率上均实现突破，兼顾检测精度与工业实用性。

 

（三）提出频率调谐显著性后处理方法，提升异常定位精度

 

现有定位方法多依赖简单差分或阈值分割，易受噪声干扰，定位精度低。本文创新点在于：

 

1. 结合高斯模糊与LAB颜色空间转换，增强对光照、颜色偏差的鲁棒性；

2. 通过频率调谐显著性计算突出异常区域，减少正常区域的“误判”；

3. 形成“差分-平滑-显著性”的完整流程，像素级定位AUROC达93.86%，较传统方法提升0.92%。

 

五、实验验证结果

 

本文通过对比实验与消融实验，从定量与定性两方面验证方法有效性，核心结果如下：

 

（一）对比实验：性能优于现有无监督模型

 

在ECD数据集上，将OSDS-DDPM与DCAE、CycleGAN、MAE、DRAEM四种经典无监督模型对比：

 

1. 重建质量：

 

- PSNR（峰值信噪比）：OSDS-DDPM平均值达27.86dB，较次优模型DRAEM（26.25dB）提升1.61dB，表明重建图像更接近真实无异常样本；

- LPIPS（感知相似度）：OSDS-DDPM平均值达0.082，较DRAEM（0.0878）降低0.0058，说明重建图像的视觉感知质量更优。

 

2. 检测精度：

 

- 图像级AUROC：达99.71%，较DRAEM（98.67%）提升1.04%，实现几乎无漏检；

- 像素级AUROC：达93.86%，较DRAEM（91.18%）提升2.68%，异常定位更精准。

 

3. 可视化结果：OSDS-DDPM重建图像无明显模糊和缺陷残留，异常区域（如橙色部件缺失、孔洞）可被完整重建为正常状态；热力图定位结果中，异常区域边界清晰，正常区域无冗余标注。

 

（二）消融实验：验证核心模块有效性

 

1. 预处理必要性：预处理后重建图像的SSIM（结构相似性）平均提升0.12（从0.75至0.87），表明预处理有效提升特征学习效率；

2. 单纯形噪声优势：与高斯噪声相比，单纯形噪声重建图像的PSNR提升2.3dB，异常定位IoU（交并比）提升11.0%，验证其在纹理保留和异常处理上的优势；

3. 一步去噪效率：较200步迭代方法，推理时间从2.1s压缩至0.09s，同时SSIM从0.92提升至0.97，实现“效率与质量”双提升。

 

六、结论与展望

 

本文提出的无监督电子连接器异常检测方法，通过预处理、模型改进与后处理的协同设计，有效解决了异常样本稀缺、重建质量低、检测效率不足等问题。实验表明，该方法在ECD数据集上实现99.71%的图像级检测准确率和93.86%的像素级定位精度，推理时间仅0.09s，显著优于现有无监督模型，满足工业检测的高精度与高效率需求。

 

未来研究可进一步拓展三方面：一是探索多类型噪声融合策略，提升对复杂异常（如混合缺陷）的检测能力；二是优化模型轻量化设计，适应边缘计算设备部署；三是扩展至其他工业部件（如芯片、轴承）的缺陷检测，验证方法的泛化性。

 

该研究不仅为电子连接器检测提供了实用技术方案，也为工业无监督异常检测领域提供了“噪声优化+范式革新”的技术思路，具有重要的学术与应用价值。