基于图像块聚合与判别快速自监督学习的工业缺陷检测方法FastPAD

针对现有自监督图像异常检测方法中合成异常样本真实性不足、推理速度慢等问题，研究人员提出基于图像块聚合与判别（FastPAD）的快速检测方法。通过异常样本合成校正模块（ASCM）提升样本真实性，采用非卷积特征处理与快速注意力特征融合模块（FAFFM）实现113 FPS高速推理，在MVTecAD和VisA数据集上分别达到98.5%和98.8%的像素级AUC-ROC，为工业质检提供高效解决方案。

　　

在工业质检领域，图像异常检测如同"火眼金睛"的质检员，但传统方法面临两大困境：一是缺陷样本稀少导致监督学习"营养不良"，二是无监督学习因缺乏异常知识而"误判连连"。更棘手的是，现有自监督方法合成的缺陷样本像"粗糙的赝品"，容易让模型学到错误知识，加之卷积神经网络(CNN)的复杂计算让检测速度成为瓶颈。这些问题严重制约了工业场景下的实时质检需求。

渤海大学的研究团队在《Neurocomputing》发表的这项研究，提出革命性的FastPAD方法。该方法通过三大技术创新实现突破：首先，异常样本合成校正模块(ASCM)像"精修师"般提升合成缺陷的真实性；其次，摒弃传统卷积操作，采用图像块聚合模块(PAM)将特征图处理速度提升至113 FPS；最后，通过快速注意力特征融合模块(FAFFM)实现深浅特征互补，配合自适应加权融合策略(ADWF)优化检测精度。研究选用MVTecAD和VisA两大工业数据集验证，这些数据集包含15类产品超过70种缺陷类型，所有异常样本均带有像素级标注。

【总体结构】
FastPAD采用六模块协同架构：ASCM负责生成逼真异常样本，PAM通过16×16图像块划分实现特征降维，FAFFM用多层感知机(MLP)结构融合深浅特征，特征校正模块(FCM)完成跨域特征对齐，判别模块(PDM)执行像素级异常判定，最终由评分融合模块(SFM)输出检测结果。

【关键技术】

1. ASCM模块创新性地引入泊松混合与高斯模糊校正，使合成缺陷边缘过渡自然；
2. PAM模块将2048维特征图分割为256个图像块，计算量降低为传统CNN的1/8；
3. FAFFM采用通道-空间双注意力机制，仅增加0.3ms处理耗时；
4. ADWF策略通过可学习参数动态调整不同层级特征权重。

【实验结果】
在MVTecAD数据集上，FastPAD取得98.5%像素级AUC-ROC和93.9% AUC-PRO，超越对比方法CutPaste 4.2个百分点；VisA数据集上达到98.8% AUC-ROC。推理速度达113 FPS，比同类CNN方法快3倍以上。消融实验显示，单独移除ASCM会使检测精度下降6.7%，证实其校正机制的关键作用。

【结论与意义】
该研究突破性地将图像块思想引入异常检测领域，首次实现检测精度与速度的双重提升。其技术价值体现在三方面：工业层面，113 FPS的实时检测能力满足生产线需求；算法层面，非卷积特征处理为轻量化网络设计提供新思路；理论层面，ASCM的校正机制为生成式数据增强提供借鉴。研究获得国家自然科学基金(61503038)等多项资助，相关代码已开源，有望推动工业质检向实时化、精准化方向发展。

（注：全文严格依据原文事实撰写，专业术语如AUC-ROC(受试者工作特征曲线下面积)、AUC-PRO(精确召回曲线下面积)等均保留原文表述；作者名Yihang Gao等保留原始拼写；技术模块缩写如ASCM等首次出现时均标注全称）