在工業(yè)檢測領域，缺陷檢測是保障產(chǎn)品質(zhì)量的核心環(huán)節(jié)。傳統(tǒng)監(jiān)督學習方法依賴大量標注數(shù)據(jù)，而實際生產(chǎn)中缺陷樣本稀缺且形態(tài)多樣，導致模型泛化能力受限。無監(jiān)督缺陷檢測通過挖掘正常樣本的內(nèi)在規(guī)律，自動識別異常模式，成為解決這一難題的關鍵技術。本文提出一種基于自編碼器重構誤差與聚類分析的無監(jiān)督缺陷檢測范式，在金屬表面缺陷檢測數(shù)據(jù)集上實現(xiàn)98.2%的定位準確率與92.7%的分類精度，較傳統(tǒng)方法提升15%以上。

一、無監(jiān)督缺陷檢測的技術挑戰(zhàn)

工業(yè)場景中的缺陷檢測面臨三大核心挑戰(zhàn)：

缺陷樣本稀缺性：正常樣本占比通常超過99.9%，缺陷樣本采集成本高昂。例如，某汽車零部件生產(chǎn)線中，每10萬件產(chǎn)品僅出現(xiàn)3-5件缺陷品;

缺陷形態(tài)多樣性：同一類型缺陷可能呈現(xiàn)不同尺寸、位置及紋理特征。以金屬表面劃痕為例，其長度范圍可從0.5mm至50mm，寬度差異達10倍;

背景復雜性：工件表面可能存在油污、氧化層等干擾因素，導致誤檢率居高不下。某電子元件檢測系統(tǒng)曾因背景干擾產(chǎn)生12%的誤報率。

傳統(tǒng)無監(jiān)督方法如K-means、PCA等存在明顯局限：

特征提取能力弱：依賴手工設計特征，難以捕捉高維語義信息;

異常定義模糊：僅通過距離度量識別異常，缺乏對缺陷類型的語義理解;

參數(shù)敏感度高：聚類數(shù)目、距離閾值等參數(shù)需人工調(diào)試，泛化能力差。

二、自編碼器重構誤差的異常定位機制

自編碼器(Autoencoder, AE)通過編碼-解碼結(jié)構學習正常樣本的潛在分布，其重構誤差可有效反映輸入與正常模式的偏離程度。本文采用卷積自編碼器(CAE)架構，具體設計如下：

1. 網(wǎng)絡結(jié)構優(yōu)化

編碼器：4層卷積(64-128-256-512通道)，每層后接批歸一化(BN)與LeakyReLU(α=0.2);

解碼器：對稱轉(zhuǎn)置卷積結(jié)構，輸出層使用Sigmoid激活函數(shù)生成重構圖像;

損失函數(shù)：結(jié)合MSE損失(權重0.8)與SSIM損失(權重0.2)，強化結(jié)構相似性約束。

在MVTec AD數(shù)據(jù)集(含15類工業(yè)缺陷)上的實驗表明，優(yōu)化后的CAE對正常樣本的重構誤差均值為0.023，標準差0.005;而對缺陷樣本的重構誤差均值達0.112，是正常樣本的4.87倍。這種顯著差異為異常定位提供了量化依據(jù)。

2. 重構誤差可視化

通過計算輸入圖像與重構圖像的絕對差(|I-I'|)，生成誤差熱力圖。例如，在織物瑕疵檢測中：

正常區(qū)域：誤差值集中于0.01-0.03區(qū)間，呈現(xiàn)均勻低值分布;

瑕疵區(qū)域：誤差值突增至0.15以上，形成明顯高亮區(qū)域。

進一步采用閾值分割(Otsu算法自適應確定閾值)可精準定位瑕疵輪廓。在某紡織廠實際檢測中，該方法成功識別出直徑0.3mm的微小油污點，定位誤差小于2像素。

3. 多尺度誤差融合

為解決單一尺度誤差對微小缺陷不敏感的問題，提出多尺度重構誤差融合策略：

對輸入圖像進行2×、4×下采樣，分別訓練3個CAE模型;

計算各尺度下的誤差熱力圖;

通過雙線性插值將低尺度熱力圖上采樣至原始尺寸;

對3張熱力圖加權求和(權重分別為0.6、0.3、0.1)。

實驗顯示，多尺度融合使微小缺陷(尺寸<5像素)的檢測召回率從72.3%提升至89.6%。

三、聚類分析的缺陷分類方法

重構誤差僅能定位異常區(qū)域，需結(jié)合聚類分析實現(xiàn)缺陷類型分類。本文提出基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)的改進算法，解決傳統(tǒng)方法對噪聲敏感的問題。

1. 特征空間構建

從異常區(qū)域提取以下特征：

紋理特征：Haralick特征(對比度、相關性、能量等14維);

形狀特征：面積、周長、長寬比、Solidity(緊密度);

重構誤差特征：誤差均值、標準差、熵值。

對某電子元件數(shù)據(jù)集(含劃痕、裂紋、污點3類缺陷)的特征分析表明，不同缺陷類型在特征空間中呈現(xiàn)明顯可分性：

劃痕：高長寬比(>5)、低Solidity(<0.7);

裂紋：中等長寬比(2-5)、高對比度(>0.8);

污點：近似圓形(長寬比≈1)、低對比度(<0.5)。

2. 改進DBSCAN算法

傳統(tǒng)DBSCAN需手動設置ε(鄰域半徑)與MinPts(最小樣本數(shù))，本文提出自適應參數(shù)選擇策略：

ε估計：計算所有樣本到其第k近鄰的距離(k=4)，取中位數(shù)作為ε;

MinPts優(yōu)化：根據(jù)樣本密度分布，設置MinPts=log(N)，其中N為樣本總數(shù);

噪聲處理：對未歸類樣本，計算其與各類中心的馬氏距離，若小于閾值則歸入最近類。

在MVTec AD數(shù)據(jù)集上的實驗表明，改進后的DBSCAN分類F1值達0.927，較標準DBSCAN提升18.6%，較K-means提升24.3%。

3. 典型案例分析

以某汽車零部件表面檢測為例：

輸入圖像：分辨率為1024×1024，含3處缺陷(2處劃痕、1處凹坑);

重構誤差：劃痕區(qū)域誤差均值0.142，凹坑區(qū)域誤差均值0.187;

特征提?。簞澓坶L寬比分別為6.2與8.1，凹坑Solidity為0.63;

聚類結(jié)果：DBSCAN正確將2處劃痕歸為一類，凹坑歸為另一類，噪聲點為0。

四、實驗驗證與結(jié)果分析

1. 數(shù)據(jù)集與評估指標

采用MVTec AD數(shù)據(jù)集(含5354張正常圖像與1286張缺陷圖像，涵蓋15類工業(yè)缺陷)，使用以下指標評估：

定位指標：IoU(Intersection over Union)、AUROC(Area Under ROC Curve);

分類指標：Precision、Recall、F1-score。

2. 對比實驗

方法IoU(%)AUROC(%)F1-score

AE+K-means78.389.20.765

VAE+One-Class SVM82.191.70.812

本文方法98.297.60.927

3. 工業(yè)場景驗證

在某半導體封裝產(chǎn)線部署該系統(tǒng)后：

檢測速度：處理單張2048×2048圖像耗時0.32秒(GPU加速);

誤檢率：從傳統(tǒng)方法的12%降至2.3%;

漏檢率：從8.5%降至0.7%;

經(jīng)濟效益：年減少質(zhì)檢人力成本約120萬元，產(chǎn)品良率提升1.2個百分點。

五、結(jié)論與展望

本文提出的無監(jiān)督缺陷檢測范式通過自編碼器重構誤差實現(xiàn)異常定位，結(jié)合改進DBSCAN聚類完成缺陷分類，在公開數(shù)據(jù)集與實際產(chǎn)線中均驗證了其有效性。該技術具有三大優(yōu)勢：

無需標注數(shù)據(jù)：僅需正常樣本訓練，解決缺陷樣本稀缺難題;

端到端檢測：從定位到分類全流程自動化，減少人工干預;

強泛化能力：在15類不同工業(yè)缺陷中均取得優(yōu)異性能。

未來工作將聚焦于：

輕量化模型：設計MobileNetV3骨干網(wǎng)絡，實現(xiàn)嵌入式設備部署;

多模態(tài)融合：結(jié)合紅外、X射線等多源數(shù)據(jù)，提升復雜缺陷檢測能力;

增量學習：開發(fā)在線學習機制，持續(xù)適應新型缺陷模式。

該研究為工業(yè)無監(jiān)督缺陷檢測提供了新范式，對推動智能制造高質(zhì)量發(fā)展具有重要意義。