一种基于特征识别的注意力选择网络，用于检测印刷电路板上的异常情况

《Engineering Applications of Artificial Intelligence》：A feature-aware attention selection network for anomaly detection on printed circuit boards

自监督异常检测框架FSDNet通过AnoDiff扩散模型生成多样化缺陷样本，AFPM模块动态筛选预训练特征通道，MRRN多尺度残差重建网络提升细粒度检测能力，结合TSSM和GFEM注意力机制增强特征判别性，在PCB制造缺陷检测中显著优于SOTA方法。

　　

Zhenyu Yin|Li Qin|Feiqing Zhang|Youwei Yu|Xiaoqiang Shi|Guangjie Han|Yuanguo Bi

中国科学院沈阳计算技术研究所，中国沈阳

摘要

自监督异常检测已成为智能制造和质量检测领域的研究热点，在工业应用中具有重要的实际价值。然而，在现实世界的印刷电路板（PCB）生产环境中进行异常检测仍然具有挑战性。现有方法在面对多种异常类型和环境干扰时，通常表现出有限的泛化能力。此外，模型复杂性高以及多尺度细粒度缺陷识别能力不足限制了它们的实际应用。为了解决这些问题，本文提出了一种新的自监督异常检测框架（FSDNet）。首先，本文提出了一种基于扩散模型的异常样本合成器（AnoDiff），该合成器能够生成多样且可控的异常样本，以提高模型的泛化能力。其次，本文设计了一个异常特征感知模块（AFPM），该模块从预训练的特征中选择具有区分性的特征通道，从而在提高检测性能的同时降低模型复杂性。第三，本文提出了一种多尺度残差重建网络（MRRN），用于聚合多尺度特征，提高对细粒度异常的敏感性。最后，本文提出了两种基于注意力机制的新模块：Top-k稀疏与空间注意力模块（TSSM）和门控特征增强模块（GFEM），这两种模块增强了异常特征的区分性和鲁棒性。实验结果表明，所提出的方法在MVTec-AD、ViSA以及自构建的PCB数据集上的检测准确性和鲁棒性均显著优于现有方法，验证了其有效性和实用性。数据集和代码可在以下链接获取：https://github.com/QinLi-STUDY/FSDNet/tree/master。

引言

图像异常检测在工业生产中是一项关键任务（Chang和Ghafariasl，2025），在质量控制和安全监控方面发挥着重要作用，应用于多个领域，如工业缺陷检测（Yao等人，2022；Yin等人，2024）、医学病变定位（Zhou等人，2021）、道路裂缝检测（Xiong等人，2024）以及智能交通系统中的异常行为识别（Dong Gong等人，2019）。然而，监督学习方法通常依赖于大规模的异常数据集，而这些数据集难以获取，并且在捕捉缺陷类型的全面性方面存在固有限制，导致在实际应用中的性能不佳。

特别是，印刷电路板（PCB）是一个异常检测极具挑战性的领域。与传统工业组件不同，PCB具有复杂的布局、密集排列的微尺度结构以及多样的材料组成。更严重的是，与组装相关的缺陷——如移位、缺失的组件、焊料桥和物理损坏的部分——在现代PCB制造中构成了最大的挑战，如图1所示。这些缺陷往往很微妙，发生在微观尺度上，并且可能与正常的焊点或组件位置非常相似，即使使用高分辨率成像也难以区分。随着现代电子产品中PCB的日益小型化和功能集成，这一难度进一步加剧。即使是轻微的位置偏差或微小的焊接不规则也可能破坏电气连接性，降低产品可靠性，甚至导致系统完全失效。在自动化生产线上，由于机器焊接和组件放置的速度很高，一个未被检测到的组装错误可能会影响数千个单元，造成巨大的经济损失、增加生产浪费，并可能带来灾难性的安全隐患。此外，在完全自动化的生产线上，检测系统需要既快速又高度准确，能够在实时识别组装异常的同时最小化误报，以免干扰连续生产。这一严格要求凸显了开发先进异常检测方法的迫切需求，以有效应对PCB组装缺陷的复杂性。鉴于收集详尽缺陷样本的难度以及在高吞吐量制造中可靠检测的关键重要性，自监督异常检测作为一种有前景的解决方案受到了越来越多的关注（Schlüter等人，2022；Vitjan Zavrtanik等人，2021；Zhang等人，2023；Liu等人，2024；Ma等人，2025；Zhong等人，2025）。

最近的研究（Heckler等人，2023）强调了特征选择在异常检测中的重要性，它可以降低计算复杂性并减少特征冗余。此外，基于特征重建的异常检测（Hanqiu Deng和Xingyu Li，2022）是另一个值得注意的研究方向。基于重建的方法仅在标准样本上训练模型。在测试过程中，将异常图像输入到训练好的模型中以将其重建为标准图像。通过比较输入图像和重建图像，可以识别出异常区域。具体来说，这些方法将异常特征重建为标准特征，以获得用于异常检测和定位的重建残差。然而，它们的有效性在很大程度上依赖于高效的特征选择策略和大量的计算资源。现有的特征选择方法（Hanqiu Deng和Xingyu Li，2022）主要从预训练网络中选择特定的特征层进行重建，未能有效捕捉敏感特征。这一限制阻碍了将异常特征重建为标准特征，导致定位精度较低。因此，迫切需要开发有效的特征选择和重建方法。

为了解决这个问题，本文提出了FSDNet，如图2(a)所示的自监督异常检测框架。该框架包括一个异常特征感知模块（AFPM）和一个多尺度残差重建网络（MRRN）。为了提高模型的泛化能力并更好地适应现实世界的PCB异常数据，本文设计了一种基于扩散模型的异常样本合成器（AnoDiff）。AnoDiff利用DDPM（Ho等人，2020）对正常样本分布进行建模，并在采样过程中引入扰动项以生成异常样本。具体来说，FSDNet首先使用基于CNN的大规模预训练模型提取初步特征。AFPM动态选择不同PCB产品中的代表性预训练异常特征子集，以减少特征冗余和预训练偏差，从而提高检测性能。

此外，MRRN实现了多尺度异常特征重建，以适应不同的尺寸。为了在重建过程中增强异常特征感知和聚合，本文提出了Top-k稀疏与空间注意力模块（TSSM），该模块通过可学习的top-k选择操作符自适应地聚合高响应异常特征。此外，本文还引入了门控特征增强模块（GFEM），以捕获关键信息并抑制重建特征中的无关特征。该模块结合了门控卷积和注意力机制，实现特征的自适应增强。最后，对重建特征和异常特征之间的多尺度重建残差特征进行了全面分析，以定位异常。

本文的主要贡献总结如下：

• •
  本文提出了一种新的自监督异常检测框架（FSDNet），该框架为PCB检测设计了一种基于注意力的检测范式，解决了现有方法在泛化能力、效率和细粒度缺陷识别方面的局限性。
• •
  本文设计了一种可控的基于扩散的生成器（AnoDiff），用于合成多样化的异常样本，显著提高了异常检测模型在复杂工业条件下的泛化能力。
• •
  本文提出了一个异常特征感知模块（AFPM）和一个多尺度残差重建网络（MRRN）。AFPM从预训练特征中动态选择具有区分性的特征通道，减少冗余并突出关键异常线索，而MRRN聚合多尺度残差特征，提高对不同尺寸微妙缺陷的敏感性。两者共同实现了更准确和可靠的PCB检测。
• •
  本文提出了两个互补的模块来增强异常特征表示：Top-k稀疏与空间注意力模块（TSSM），通过可学习的top-k选择机制自适应地聚合高响应特征；以及门控特征增强模块（GFEM），它结合了门控卷积和注意力机制来增强关键特征并抑制无关特征。这些模块共同提高了异常检测的鲁棒性和区分性。

本文的其余部分安排如下：第2节回顾相关研究；第3节详细介绍所提出的框架；第4节展示实验结果、与现有方法的比较以及验证AnoDiff、AFPM、TSSM和GFEM的消融研究；第5节总结本文并展望未来的研究方向。

相关研究

相关研究

主流的图像异常检测和定位方法通常分为基于嵌入和基于重建的方法。

基于嵌入的方法旨在利用深度神经网络提取高维特征，并在嵌入空间内进行异常检测。这些方法通常根据测试图像的嵌入与训练中从正常图像得到的参考嵌入之间的距离来计算异常分数

提出的方法

在本节中，本文提出了一种自监督异常检测框架FSDNet，包括四个关键组成部分：基于扩散模型的异常样本合成器（AnoDiff）、异常特征感知模块（AFPM）、多尺度残差重建网络（MRRN和重建异常特征定位（RAFL）。整体架构如图2所示。

实验

在本节中，将提出的自监督异常检测框架FSDNet与最新方法进行了比较，并进行了消融研究。

结论

本文介绍了一种专为工业检测设计的自监督异常检测框架FSDNet。FSDNet由四个主要组成部分构成：基于扩散模型的异常样本合成器（AnoDiff）、异常特征感知模块（AFPM）、多尺度残差重建网络（MRRN）和重建异常特征定位模块（RAFL）。为了进一步提高网络感知、聚合和细化异常特征的能力

CRediT作者贡献声明

Zhenyu Yin：撰写——审稿与编辑、监督、软件开发、资源管理、项目协调、资金获取、概念构思。Li Qin：撰写——审稿与编辑、初稿撰写、可视化、软件开发、方法论设计、调查分析、形式化分析。Feiqing Zhang：撰写——审稿与编辑、监督、形式化分析、数据管理、概念构思。Youwei Yu：撰写——审稿与编辑、可视化、概念构思。Xiaoqiang Shi：撰写——审稿与编辑

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。