《Applied Sciences》：A Three-Layer Runtime Constraint Verification Framework with Self-Correction for AI-Generated Parametric CAD Models
编辑推荐：
工业表面缺陷检测面临复杂纹理、多样缺陷形态和标注数据稀缺的挑战，尤其对于非织造布。本文提出一种用于无监督缺陷检测的双域逆向蒸馏算法（Dual-Domain Reverse Distillation，DDRD）。该算法整合频域小波增强（frequency-
工业表面缺陷检测面临复杂纹理、多样缺陷形态和标注数据稀缺的挑战，尤其对于非织造布。本文提出一种用于无监督缺陷检测的双域逆向蒸馏算法（Dual-Domain Reverse Distillation，DDRD）。该算法整合频域小波增强（frequency-domain wavelet enhancement）和空域自注意力（spatial-domain self-attention），协同增强缺陷特征。小波高频可变形增强模块（Wavelet High-frequency Deformable Enhancement Module，WHAEM）放大细粒度缺陷细节，而卷积自注意力空域全局增强模块（Convolutional Self-Attention Spatial Global Enhancement Module，CSGEM）捕获长程空间依赖。增强后的双域特征嵌入逆向蒸馏框架进行端到端训练，通过特征重构误差实现精确缺陷定位。在自建大规模非织造布WFB数据集和公开MVTec AD基准数据集上进行了大量实验。结果表明，DDRD在WFB数据集上达到像素级AUROC为98.0%，图像级AUROC为93.0%，分别较最先进的RD4AD方法提升0.5%和1.5%。在MVTec AD数据集上，像素级AUROC平均为97.5%，图像级AUROC平均为99.7%，在多个类别上取得100%图像级检测准确率。这些结果验证了双域增强策略在工业缺陷检测任务中的有效性和鲁棒性。
**论文解读文章**
**研究背景与问题**
非织造布是医疗防护、工业过滤等领域的关键工业材料，其表面在高速制造过程中易出现多种缺陷（如点状、丝状缺陷），严重影响产品质量并造成经济损失。现有检测方法主要依赖人工目检和传统机器视觉，但人工检测效率低、主观性强，传统方法基于手工浅层特征，对复杂随机纹理和光照不均缺乏鲁棒性。深度学习虽已成为主流，但监督方法需要大量标注缺陷样本，而非织造布生产中缺陷样本稀缺且标注成本高。无监督学习仅使用无缺陷数据训练，通过分布差异识别异常，能有效解决样本稀缺问题。然而，现有方法多局限于空域优化，忽略缺陷的频域特性（高频信号）和全局结构信息（低频信号）。因此，研究人员提出一种双域特征增强与逆向蒸馏相结合的无监督缺陷检测方法，旨在协同利用频域和空域信息，提升复杂纹理背景下细微缺陷的检测能力。
**研究内容与结论**
本文提出双域逆向蒸馏算法（DDRD），核心创新包括两个模块：小波高频可变形增强模块（WHAEM）和卷积自注意力空域全局增强模块（CSGEM）。WHAEM利用Haar小波变换将特征图分解为低频子带（保留全局结构）和高频子带（捕获纹理细节），通过空洞可变形注意力模块（Atrous Deformable Attention Module，ADAM）自适应增强高频缺陷特征，同时抑制背景纹理噪声。CSGEM集成局部卷积特征与多头全局自注意力，通过自适应残差融合实现长程空间依赖建模，增强空域全局判别力。两个模块嵌入逆向蒸馏框架（教师编码器-学生解码器架构），教师分支提取多尺度特征，压缩瓶颈嵌入（OCBE）保留正常模式，学生解码器仅能重构正常特征，缺陷区域产生较大重构误差，从而实现异常定位。在自建WFB数据集（含21737张训练图像、6217张测试图像，覆盖四种背景纹理和两种缺陷类型）和公开MVTec AD数据集上，DDRD在像素级和图像级AUROC指标上均超越RD4AD、SimpleNet、SPADE等最新方法，验证了双域协同增强策略的有效性和鲁棒性。论文发表在《Applied Sciences》。
**关键技术方法**
研究人员主要采用以下技术方法：Haar小波变换与逆变换实现频域分解与重构；空洞可变形注意力模块（ADAM）通过多尺度空洞卷积、可变形门控交互及注意力权重生成，实现内容自适应的高频增强；卷积自注意力空域全局增强模块（CSGEM）通过局部卷积细化、多头自注意力建模及自适应残差融合，捕获长程空间依赖；逆向蒸馏框架（教师-学生模型）基于余弦相似度差异计算多尺度重构误差，实现端到端无监督训练。实验采用自建WFB数据集（工业相机采集，含7种非织造布类型）和公开MVTec AD数据集（15个类别），所有图像统一为256×256像素，训练集仅含正常样本。
**研究结果**
（1）**对比实验**：在MVTec AD数据集上，DDRD像素级AUROC平均97.5%，较次优方法RD4AD（96.7%）提升0.8%，在Leather（99.3%）和Bottle（98.8%）类别表现最佳；图像级AUROC平均99.7%，较SimpleNet（99.1%）提升0.6%，在Leather和Bottle类别达到100%。在自建WFB数据集上，像素级AUROC达98.0%（较RD4AD提升0.5%），图像级AUROC达93.0%（较RD4AD提升1.5%），定量结果表明DDRD在像素级定位和图像级分类上均具优势。定性结果（图9、图10）显示DDRD生成的异常图边界更清晰、误报更少。
（2）**消融实验**：在WFB数据集上，基线模型（TS）的AUROC_P为97.5%，AUROC_S为91.5%，AUPRO_P为88.7%。单独添加WHAEM后，AUROC_S提升至92.2%，AUPRO_P提升至89.0%；单独添加CSGEM后，AUROC_S提升至92.5%，AUPRO_P为88.9%；联合使用两模块后，所有指标达到最优：AUROC_P 97.8%，AUROC_S 93.0%，AUPRO_P 90.0%，提升幅度分别为0.3%、1.5%和1.3%。进一步按缺陷子类别分析：对于细微缺陷，基线已接近饱和，联合模块将AUROC_P和AUROC_S均推至100%；对于低对比度缺陷，联合模块将AUROC_P从96.6%提升至98.2%，AUPRO_P从83.3%提升至86.4%；对于复杂纹理干扰，联合模块将AUPRO_P从81.9%提升至85.5%，AUROC_S从97.7%提升至99.2%；对于边缘缺陷，联合模块将AUROC_S从97.5%提升至99.1%。置信区间分析表明，联合配置的改进具有统计显著性。
（3）**模型复杂度与效率**：DDRD采用ResNet34骨干网络，较RD4AD的WideResNet50-2参数减少约70%，FLOPs降低约70%，峰值GPU内存不足300 MB，推理速度达64.68 FPS（较RD4AD的53.60 FPS提升约21%），满足工业在线检测的实时性要求。
**讨论与结论**
讨论部分指出，DDRD的性能提升主要归因于双域协同增强策略：WHAEM通过小波变换显式提取高频缺陷成分，ADAM自适应捕获不规则缺陷形态；CSGEM融合局部卷积与全局自注意力，增强低频全局结构表示。两模块在逆向蒸馏框架内协同放大正常与异常区域的重构差异，实现精确异常定位。与RD4AD等纯空域方法相比，DDRD直接在小波域嵌入特征提取，实现频域-空域联合建模。但方法存在局限性：WHAEM和CSGEM增加计算开销，限制边缘设备部署；对低频特征主导的缺陷类型（如大面积色差）敏感性较低；自建WFB数据集规模和缺陷多样性有限。未来工作将探索知识蒸馏、通道剪枝等轻量化技术，自适应平衡高低频增强，并扩展数据集以验证泛化能力。
**研究结论**：本文提出两个新型功能模块——小波高频可变形增强模块（WHAEM）和卷积自注意力空域全局增强模块（CSGEM），用于非织造布无监督缺陷检测。现有方法多仅在空域进行特征分析，忽略频域互补信息。本研究创新性地结合频域与空域增强策略，强化缺陷特征表示。WHAEM基于Haar小波变换及其逆运算，对高频缺陷敏感特征应用可变形卷积，精准突出局部异常纹理细节；CSGEM聚焦空域特征建模，融合全局结构上下文与局部空间特征，有效增强低频全局表示。两模块协同工作，建立互补的双域特征表示范式。嵌入逆向蒸馏框架后，该方法摆脱了对大规模标注缺陷样本的依赖，适用于实际工业场景中缺陷样本稀缺、标注成本高的情境。在标准异常检测数据集上的充分实验验证了算法的有效性和实用性，可部署于高速非织造布生产线的在线质检系统。尽管结果令人鼓舞，该方法仍存在局限性：WHAEM和CSGEM模块增加了计算复杂度，可能制约实时推理速度及边缘设备部署；当前方法对低频变化为主的缺陷类型（如大面积色差）敏感性较低；自建WFB数据集规模有限。未来将探索轻量化模型压缩技术，自适应平衡高低频增强，并扩展数据集以验证泛化能力。本研究为纺织制造业的智能质量控制与工艺优化提供了技术参考。
