《Engineering Applications of Artificial Intelligence》：Robust classification method for printed circuit board defects based on virtual and real space cooperative diffusion model
编辑推荐：
PCB缺陷检测在智能制造中至关重要，但工业场景数据常存在标签噪声和缺陷特征模糊问题。本文提出虚拟-现实空间协作的扩散模型（VRCDM），通过构建潜在语义空间指导现实空间分类，设计参数化标签编码保留细粒度语义，并引入属性交互注意力机制增强关键缺陷建模。实验表明该方法在HRIPCB数据集上显著优于现有方法，尤其在强噪声条件下分类准确率提升明显。
Xinyi Yu|Haotian Sun|Yuanfu He|Jinmin Peng|Xianping Zeng|Liangshen Chen
福建省智能处理技术与装备重点实验室，福建工业大学，福州，福建，350118，中国
摘要 基于深度学习的印刷电路板缺陷检测是智能制造中的关键技术。然而，在工业环境中收集的数据集往往由于专家知识的不一致性和缺陷特征的模糊性而存在标签噪声，这严重降低了传统模型的性能。为了解决这一挑战，本文提出了一种基于虚拟-真实空间协作扩散模型的鲁棒分类框架。该方法引入了一种分布式引导机制来构建潜在语义空间（虚拟空间），为真实图像空间中的逆扩散过程提供概率先验。此外，设计了一种参数化的标签编码模块以减轻前向扩散过程中细粒度语义的丢失，并提出了一种属性交互注意力机制来增强关键缺陷属性的建模。在具有不同级别标签噪声的公开数据集上进行的广泛实验表明，我们的方法在分类准确性、鲁棒性和生成图像质量方面优于现有的方法，尤其是在强噪声条件下。
引言 印刷电路板（PCB）缺陷检测在现代电子制造中至关重要。即使是很小的缺陷也可能导致严重的产品故障。由于效率低下和稳定性差，传统的人工检测方法正逐渐被基于计算机视觉的自动化检测系统所取代。
近年来，特别是基于卷积神经网络的各类目标检测框架，在PCB缺陷分类任务上取得了显著进展（Singh等人，2024年）。Yuan等人（2024年）提出了一个能够处理微小缺陷的PCB缺陷检测框架，该框架基于改进的YOLOv5框架。Zhang等人（2024a年）提出了一个轻量级的缺陷检测网络（LDD-Net），通过有效的下采样方法提取缺陷特征。Ling等人（2024年）提出了一个新的焊接缺陷检测网络（SDD-Net），通过快速的空间金字塔池化模块增强了CNN的感受野。Ji等人（2025年）设计了一种多尺度检测变换器（MS-DETR）来替代传统的卷积层，以提高对小物体的特征提取能力。然而，这些方法通常依赖于准确标记的训练数据这一强假设，而在工业环境中这很难保证。由于主观注释、复杂的缺陷外观和人为错误导致的标签噪声仍然是实际应用中的一个关键但未得到充分解决的瓶颈。
扩散模型作为一种新兴的生成概率模型类别，通过迭代去噪过程在捕获细粒度图像特征方面表现出显著的潜力，使其本质上对噪声或不确定的输入具有鲁棒性。目前，一些研究开始尝试将扩散模型引入分类和分割等下游任务，并取得了良好的结果。Zhou等人（2024b年）提出了一个基于扩散的缺陷检测（DiffDD）框架，其中包括一个预训练的骨干网络（PvTv2）和一个扩散概率模型（DPM）。Wang等人（2024b年）提出了一种基于快速去噪概率隐式模型的缺陷检测方法，以克服表面缺陷大小和特征尺度的多样性。还有一些方法使用扩散模型来扩展数据集，然后使用目标检测来执行相应的任务。Liang等人（2024年）使用了一种稳定的扩散改进算法来扩展缺陷数据集，然后通过YOLOv5进行缺陷检测。Wang等人（2024c年）提出了一种基于逐步训练的扩散模型（PTDM）的缺陷图像生成框架，以扩展钢表面缺陷图像数据集。此外，一些学者直接将扩散模型应用于分类任务。Chen等人（2023b年）提出了一个基于扩散模型的高光谱图像分类框架，利用扩散特征来提高分类性能。Han等人（2022年）基于去噪扩散预训练设计的分类和回归扩散模型也是使用生成模型减少分类过程中随机性的有效方法。此外，还提出了一种扩散分类器（Chen等人，2024a年），通过生成学习有效建模数据分布，从而提高了损坏数据的分类能力。这些研究表明扩散模型在涉及损坏数据的下游任务中的有效性。然而，直接将扩散模型应用于PCB缺陷分类面临两个主要挑战：（1）在前向扩散过程中丢失细粒度语义信息，特别是对于小而复杂的表面缺陷；（2）对标签噪声的敏感性，这可能会误导扩散和分类过程。
为了克服这些限制，本文提出了一种虚拟-真实空间协作扩散模型（VRCDM），用于在标签噪声下进行鲁棒的PCB缺陷分类。主要贡献总结如下：
• 提出了一种结合虚拟空间和真实空间的协作扩散分类框架，有效提高了在噪声标签条件下的PCB缺陷检测性能。
• 设计了一种分布式引导机制，以在潜在语义空间中提供更强的特征先验引导。
• 构建了一种参数化的标签编码方法和属性交互注意力机制，以更好地恢复细粒度语义并提高分类准确性。
• 在HRIPCB公共数据集上进行了对比实验，验证了所提出的方法在分类准确性、鲁棒性和生成图像质量方面优于当前的主流方法。
本文探讨了一种用于PCB缺陷检测的鲁棒分类模型。文章结构如下：第2节回顾了PCB缺陷检测的相关工作和扩散模型在分类中的应用。第3节介绍了所提出的方法。第4节展示了实验结果，并提供了定性和定量分析。第5节总结了主要研究结果和潜在的未来发展方向。
相关工作 相关工作 本节从三个方面回顾了相关工作。首先，总结了PCB缺陷检测的研究。其次，讨论了扩散模型的最新发展及其在分类中的应用。最后，回顾了解决标签丢失的最新进展。
初步介绍 生成模型本质上学习一个概率分布p θ p d a t q x , … , x T ∣ x ? ? (x t , t )
数据集描述 使用公共数据集HRIPCB（Huang等人，2020年）来评估模型性能。该数据集包含1386张缺陷图像，这些图像分为6类缺陷，包括缺洞、鼠咬、开路、短路、毛刺和虚假铜迹。为了更好地反映本文中算法的有效性，我们通过交叉更改图像标签信息来创建具有不同比例标签噪声的数据集，标签噪声分别设置为0%、10%、20%和60%。
结论 本文提出了一种虚拟-真实空间协作扩散模型，用于在标签噪声下进行鲁棒的PCB缺陷分类。所提出的框架利用潜在语义空间为真实空间分类过程提供概率指导，有效减轻了噪声标签的影响。通过设计分布式语义引导机制、参数化标签编码和属性交互注意力，该模型增强了细粒度语义的保留。
CRediT作者贡献声明 Xinyi Yu： 撰写——原始草案。Haotian Sun： 验证。Yuanfu He： 撰写——审阅与编辑。Jinmin Peng： 撰写——审阅与编辑。Xianping Zeng： 数据管理。Liangshen Chen： 数据管理。
资助 本研究得到了国家自然科学基金 （资助编号：52405148）、福建省自然科学基金 （资助编号：2025J08221、2025J08277）、福建省教育厅 （资助编号：JAT241066、JAT241113）、福建工业大学 （资助编号：GY-Z24008）和福建省科学技术厅 （资助编号：2025I0037）的资助。
利益冲突声明 作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
