一种用于优化卷积神经网络在铜箔表面缺陷检测中的方法

《Engineering Applications of Artificial Intelligence》：An approach for optimizing Convolutional Neural Network in copper foil surface defect detection

　　张海涛|肖志远|王静|程卓
兰州大学信息科学与工程学院，中国甘肃省兰州市天水南路222号，730000

**摘要**
铜箔表面的缺陷会显著影响电子产品的性能和可靠性，因此在工业生产中需要高精度的缺陷检测。卷积神经网络（CNN）模型在铜箔表面缺陷检测中占据主导地位，但它们对微小的输入扰动敏感，导致误分类和漏检。先前的研究表明，使用经典的白盒攻击方法（如PGD（投影梯度下降）和MI-FGSM（动量迭代快速梯度符号法）生成的样本进行对抗训练可以提高CNN模型的准确性和鲁棒性。然而，这些方法生成的对抗样本与原始训练图像的相似度较低，导致模型仅在高度扰动的条件下才能提升性能，从而限制了其在实际工业任务中的应用效果。为了解决这些问题，我们提出了一种新的对抗样本生成方法ASMP（具有最小扰动的对抗样本）。ASMP结合了特征单调性扰动策略、梯度异常回归和扰动强度降低技术，可以有效提高样本与真实缺陷图像的相似度。使用ASMP生成的对抗样本训练CNN模型，在低扰动环境中的性能得到了显著提升，满足了工业应用（如铜箔缺陷检测）对精度的严格要求。大量实验表明，与现有方法相比，ASMP生成的样本在各项指标上都具有更高的相似度。此外，使用ASMP生成的样本训练的CNN模型在低扰动环境中的准确性和鲁棒性也优于使用其他方法训练的模型。这些结果突显了ASMP在提高低扰动环境下CNN模型性能方面的有效性。

**引言**
在铜箔表面缺陷检测中，卷积神经网络（CNN）（Z. Liu等人，2022年）已成为首选的工业解决方案，因其具有强大的泛化能力和成本效益，超越了传统的检测方法（如射线检测和电气测试）。CNN及相关深度学习架构的成功应用范围涵盖了多种视觉任务，从智能康复和人机交互（Xing等人，2025年；Xing等人，2026年）到精密工业检测。如图1所示，铜箔缺陷（包括划痕、针孔和颜色变化）具有小尺度、多样的形态和随机空间分布。尽管生产环境受到严格控制，具备良好的防静电措施以及稳定的温度和湿度，但微小的干扰（如光照变化、设备抖动和弱电磁干扰）仍然存在。对基于CNN的检测系统的广泛调查显示，训练有素的模型在受控环境中能够达到令人满意的准确率。然而，在实际应用中，这些模型由于上述干扰而出现检测错误，导致实际准确率与工业环境中的严格要求之间存在显著差距。通过详细分析，本文指出当前CNN模型对现实世界扰动的鲁棒性有限（Szegedy等人，2013年），这是影响检测稳定性的关键因素，因此需要改进优化方法来有效应对这些挑战。

在CNN领域，白盒攻击（如C&W（Carlini和Wagner，2017年）、PGD（Madry等人，2017年）和MI-FGSM（Dong等人，2018年）对于提高模型鲁棒性至关重要。为了应对基于CNN的铜箔表面缺陷检测中的鲁棒性限制，本文利用这些攻击方法，结合真实的铜箔图像数据集和CNN模型（如AlexNet（Krizhevsky等人，2017年）、DenseNet（Huang等人，2017年）和ResNet（He等人，2016年）进行了实验研究。通过使用这些白盒攻击方法生成的对抗样本进行大量验证实验，评估了对抗训练模型的性能。结果表明，对抗样本中的扰动强度显著影响模型性能。具体而言，在弱干扰条件下，使用低扰动水平的对抗样本训练的模型表现出更高的鲁棒性和准确性。然而，现有方法生成的对抗样本与原始训练图像的相似度较低，使其难以有效缓解低级别的现实世界干扰，从而无法满足工业应用的精度要求。确保模型在现实世界的弱干扰下保持鲁棒性是一个普遍存在的问题，不仅限于视觉检测领域（Chang和Ghafariasl，2025年），在安全关键领域（如能源系统）中，数据驱动模型的性能同样会受到系统噪声和运行变化的影响（Assareh等人，2025年）。为此，需要采用超越单纯数学优化的方法，结合复杂系统设计中的“约束优化”原则（Ghafariasl等人，2024年）和针对特定任务的“精度导向调整”原则（Ghafariasl等人，2025年）。问题的核心在于生成既能够误导模型，又在语义和结构上与实际遇到的弱干扰类型一致的对抗扰动。这种高保真度的对抗样本对于进行有意义的鲁棒性评估和训练能够在真实世界条件下可靠泛化的模型至关重要。

**为了克服现有白盒攻击方法生成的对抗样本相似度低的问题，并满足铜箔表面缺陷检测的高精度要求，本文提出了一种新的白盒攻击方法ASMP（具有最小扰动的对抗样本）。ASMP利用了CNN的固有特性，包括分类分支间的梯度差异、模型对输入变化的敏感性以及局部分类能力。它结合了三种关键策略：特征单调性扰动、梯度异常回归和扰动强度降低。与C&W（Carlini和Wagner，2017年）、PGD（Madry等人，2017年）和MI-FGSM（Dong等人，2018年）等现有方法相比，ASMP生成的对抗样本具有显著降低的扰动水平，使其与原始输入图像更为相似。这种提高的相似性使得对抗训练的模型能够在实际干扰下实现更高的鲁棒性和准确性，有效应对微小的现实世界干扰，符合工业铜箔缺陷检测的严格性能要求。**

**为了严格评估ASMP在铜箔表面缺陷检测中的有效性，本文设计了包含多种CNN架构（如AlexNet（Krizhevsky等人，2017年）、ResNet（He等人，2016年）、DenseNet（Huang等人，2017年）、GoogLeNet（Szegedy等人，2015年）和VGGNet（Simonyan和Zisserman，2014年）的实验环境，并使用了真实的铜箔图像数据集。评估分为三个阶段：首先，使用多种图像相似度指标（如结构相似度指数SSIM（Wang等人，2004年）和峰值信噪比PSNR（Wang等人，2004年）评估ASMP在不同范数约束（如L∞、L2和L0）下生成的对抗样本；其次，在模拟现实世界条件的弱干扰环境中，全面评估使用ASMP生成的对抗样本训练的模型的鲁棒性和准确性；第三，检验ASMP生成的对抗样本在不同架构模型间的知识转移能力。结果表明：（i）ASMP生成的对抗样本在包括扰动像素数量、平均扰动强度、SSIM和PSNR在内的各项指标上，显著优于现有的白盒攻击方法（如C&W（Carlini和Wagner，2017年）、PGD（Madry等人，2017年）和MI-FGSM（Dong等人，2018年）生成的样本；（ii）使用ASMP生成的样本训练的模型在面对低级别干扰时，具有更高的准确性和鲁棒性；（iii）ASMP生成的对抗样本具有强大的知识转移能力，即在一个架构上训练的模型应用于不同架构时，其性能与目标模型相当。这些发现强调了ASMP在生成高相似度对抗样本、提升模型性能以及实现鲁棒知识转移方面的有效性，从而满足了工业铜箔缺陷检测的严格精度要求。**

**为了提高CNN模型在铜箔表面缺陷检测领域的鲁棒性和准确性，本文对白盒攻击方法进行了三项创新改进：首先，针对现有白盒攻击方法中扰动像素可能以冲突方式影响多个分类标签的低效率问题，特征单调性扰动策略利用了CNN模型中分类标签间的梯度差异，防止不同标签的分类值同时增加或减少，显著减少了生成对抗样本所需的扰动像素的数量和强度；其次，考虑到CNN模型对输入的敏感性会导致迭代扰动图像与原始图像之间的梯度差异，梯度异常回归策略评估了扰动信息在各个标签方向上的分类贡献，通过回归未能满足扰动目标的像素来减少扰动像素的数量；第三，利用训练有素的CNN模型的局部分类能力，其中正确的分类依赖于少数关键局部特征，扰动强度降低策略根据扰动信息在各个标签方向上的分类贡献来过滤扰动，从而产生最小化的对抗样本。这些策略共同作用，生成了与原始图像相似度更高的对抗样本，提高了模型性能，满足了工业铜箔缺陷检测的高精度要求。**