《Journal of Logic and Computation》：Unsupervised detection of overshooting defects using hybrid generative and boundary classification models
编辑推荐：
现代制造业的质量控制日益依赖无监督异常检测（unsupervised anomaly detection），以在异常样本极度稀缺时识别结构缺陷。本研究提出了一种用于检测工业简单子组件底板（simple sub-assemblies base plates）中复
现代制造业的质量控制日益依赖无监督异常检测（unsupervised anomaly detection），以在异常样本极度稀缺时识别结构缺陷。本研究提出了一种用于检测工业简单子组件底板（simple sub-assemblies base plates）中复杂越界异常（overshooting anomalies）的混合生成架构（hybrid generative architectures）评估方案。研究人员分析了八种不同的模型组合，将四种先进的生成骨干——包括潜在空间重采样自编码器（latent space resampling autoencoder）与去噪扩散模型（denoising diffusion model）——与两种边界分类策略进行配对：单类支持向量机（one class support vector machine, OC-SVM）与深度支持向量数据描述（deep support vector data description, Deep SVDD）。实验结果表明，潜在空间重采样自编码器与单类支持向量机的配置实现了最优的检测能力，获得0.7870的最高平均受试者工作特征曲线下面积（area under the curve, AUC），并实现了绝对的统计优势。然而，研究发现一个关键的架构脆弱性：将强正则化的生成潜在空间（latent space）与深度数据描述模型的刚性超球面边界配对，不可避免地降低检测能力，在最强的正则化配置中驱动异常分数（anomaly score）的系统性反转，而非判别能力的丧失。最终，本研究确立了在复杂工业拓扑中保持异常检测准确性需要灵活的边界优化，为部署可靠的自动化质量保证系统（automated quality assurance systems）提供了框架。
**研究背景与问题提出**
现代制造业正面临在严格成本、时间与生产力约束下交付高质量产品的迫切需求。随着重工业部署自动化物料搬运与连接技术以扩大生产规模，质量检验框架必须同步演进：在缺乏自动化实时视觉评估系统的情况下，局部几何异常往往在装配线上未被察觉地传播，造成灾难性的返工成本与严重的生产延误。这一问题在船舶工程等大规模制造领域尤为突出，庞大的金属结构在进入后续装配阶段前必须满足极为苛刻的尺寸公差。尽管主部件制造高度依赖自动化切割系统，刀具磨损、热变形与瞬时校准漂移等不可避免因素仍导致几何偏差持续存在。
在各类几何缺陷中，越界缺陷（overshooting，指切割工具偏离编程轨迹并意外切除名义轮廓多余材料的缺陷）构成独特难题。其边缘凹陷严重损害后续焊接所需接触面积，并在最终船体结构中制造结构薄弱点。从计算机视觉角度，此类边缘异常识别极具复杂性：缺陷不可预测、出现位置任意、深度与几何形态差异极大；同时，先进制造设施故障率极低，缺陷样本统计数量获取实际不可能，监督深度学习方法因此必然陷入严重算法偏置与泛化能力不足的困境。无监督异常检测（unsupervised anomaly detection，仅对结构正常性数学分布建模的方法）由此成为现代工业检测最合适的技术路径。
**研究内容与结论意义**
为回应工业需求，研究人员构建了完全绕开缺陷训练样本的自动化视觉框架，采用2D图像检测海军子组件底板（simple sub-assemblies base plates）中的越界异常。该框架实施混合评分机制，将空间生成重建误差与潜在空间中的单类决策边界相结合。研究对四种生成骨干与两种边界分类器的八种组合在十次独立迭代中进行了系统比较，确立的关键结论包括：灵活的边界优化对于在复杂工业拓扑中保持检测准确性不可或缺；强正则化生成潜在空间与刚性超球面边界之间存在架构不兼容；潜在空间重采样自编码器（LSA）与单类支持向量机（OC-SVM）的组合是最优方案。该研究为部署可靠的自动化质量保证系统提供了经验证的框架，对现代工业质量控制机制设计具有直接指导意义。
**关键技术方法**
本实验仅以无缺陷图像训练深度学习生成自编码器（deep autoencoders，通过编码-解码结构学习正常数据表征的神经网络）。四种生成骨干为：矢量量化变分自编码器（vector quantized variational autoencoder, VQ-VAE-2）、基于视觉变换器的掩码自编码器（masked autoencoders with vision transformer, MAE）、单步去噪扩散异常检测模型（denoising diffusion anomaly detection, DiffusionAD）、潜在空间重采样自编码器（latent space resampling autoencoder, LSA）；两种边界分类器为单类支持向量机（one class support vector machine, OC-SVM）与深度支持向量数据描述（deep support vector data description, Deep SVDD）。最终异常分数通过归一化融合自编码器像素级重建误差与边界分类器空间距离获得。样本队列包含305张2D图像：245张无缺陷图像划分209张训练集与36张验证集，独立测试集含60张（49张正常、11张人工诱导越界缺陷）；样本源自与辅助海军制造商合作，由官方计算机辅助设计（computer-aided design, CAD）文件经熔融沉积建模（fused deposition modelling, FDM）制作的塑料复制品采集。
**实验结果**
4.1 Experiment setup（实验设置）
所有实验遵循统一方法：训练图像统一缩放至640×640分辨率，生成模型最多完整遍历数据100次，验证集重建损失连续50次未改善则提前终止；以32张为一批处理输入，初始学习率1×10
-3依余弦退火（cosine annealing）函数动态下降，AdamW算法施加1×10
-4权重衰减；为消除随机初始化影响，每种配置使用不同随机种子训练评估十次。生成网络细节方面，VQ-VAE-2经两级层级处理，连续隐藏维度256，每层离散码本含1024个嵌入向量并以指数移动平均（exponential moving average, EMA）策略更新；MAE将图像分为8×8像素补丁，施加75%掩码比率，编码器含8个模块、嵌入维度384、6个注意力头，解码器含4个模块、维度192；DiffusionAD添加标准差0.2的固定高斯噪声，基础通道扩展至512，瓶颈投影为256维固定潜在空间；LSA经四层卷积下采样产生256维潜在向量，由含512隐藏单元的长短期记忆网络（long short term memory network, LSTM）建模其概率分布，端到端训练。边界分类器方面，OC-SVM与Deep SVDD均基于训练集潜在向量拟合，Deep SVDD额外以隐藏维度1024的多层感知机（multi-layer perceptron, MLP）将256维向量投影至64维超球面并训练20轮。
4.2 Evaluation metrics（评估指标）
鉴于工业数据集高度不平衡，研究采用受试者工作特征曲线下面积（area under the ROC curve, AUROC）作为主要指标，其反映随机抽取的缺陷样本得分高于随机抽取的正常样本的概率；辅以平均精确率（average precision），该指标对假阳性惩罚重，能更好衡量框架隔离罕见越界异常而不触发误报的能力。研究以Youden J统计量（Youden's J statistic）确定最优决策阈值，使真阳性率与假阳性率之差最大，并在该阈值下计算精确率（Precision）、召回率（Recall）与F1分数（F1 Score）。统计验证方面，先以Shapiro–Wilk检验正态性、Levene检验方差齐性；鉴于分布非正态且方差不齐，采用Friedman检验进行总体比较，再以Wilcoxon符号秩检验（Wilcoxon signed rank test）进行配对后验比较，并应用Benjamini–Hochberg程序控制错误发现率（false discovery rate, FDR）。
4.3 Results and analysis（结果与分析）
研究人员将八种组合编号C1至C8，经十次独立训练迭代分析得出如下结论。C7配置（LSA与OC-SVM）以0.7870的平均AUROC远超其他架构，标准差仅0.0652，95%置信区间[0.7499, 0.8265]，平均精确率0.4035，展现出跨运行的卓越稳定性。C5配置（DiffusionAD与OC-SVM）以0.7189平均AUROC成为竞争力强劲的亚军，但分布更宽、对初始化更敏感；C1配置波动剧烈，部分运行几近随机分类。MAE系列（C3: 0.5865；C4: 0.4213）仅具中等能力，能学习局部补丁表征却难以为不规则钢几何定义全局连贯边界。VQ-VAE-2系列（C1: 0.5089；C2: 0.4377）表现差且极不稳定，标准差均超0.20，平均精确率低于0.29，表明连续特征强制离散编码造成严重信息损失。
尤为关键的是C8配置（LSA与Deep SVDD）产生接近零的AUROC（0.0091）。研究指出这并非判别信息缺失，而是排序反转：生成组件内部自回归网络对潜在分布的强正则化，与深度边界分类器随后将受限潜在空间压缩至最小中心体积的尝试之间存在架构不兼容，使距离评分机制不再保留异常方向；该反转具体成因本研究未分离明确。总体趋势上，OC-SVM在所有生成骨干上均优于Deep SVDD，前者平均AUROC 0.6503，后者仅0.3601。统计检验确认，C7以84.0 Borda点、85.7%胜率显著击败六个竞争架构，实现统计绝对优势；C5仅统计占优三个模型，进一步印证重采样自编码器路线的稳健优越性。
**讨论与结论**
讨论部分指出，混合生成架构作为无监督异常检测的强大机制，在工业场景中缺陷样本稀缺时尤为有效：此类框架通过仅学习并重构健康数据模式，隐式捕获复杂部件的标称几何分布，进而提供无需先验标注即可隔离细微越界异常的自动路径，因其无缝分离越界异常与可接受几何变化而对工业质量保证高度有效。研究结论明确指出：C7配置（LSA结合OC-SVM）为绝对优越架构，取得最高平均AUROC 0.7870与卓越稳定性，统计上几乎击败全部竞争模型；C5（去噪扩散过程）能力出众，但对网络初始化更敏感、跨独立运行方差更大。超越个体排名，分析揭示边界分类阶段的重要洞见：在所有生成框架上，支持向量机的灵活边界优化始终优于深度数据描述模型的刚性约束；将强正则化生成潜在空间与超球面边界配对会使边界阶段失稳——C8配置中正常样本被系统性赋予比真实缺陷更高的异常分数。未来工作将扩展混合框架至多样化工业数据集与缺陷类型；将LSA与OC-SVM适配至边缘计算设备实现产线实时推理；通过消融超球面中心初始化与边界网络正则化隔离C8分数反转成因，并探索替代性边界分类器与对比学习技术（contrastive learning）。
