PureDiffAD: 用于半导体激光芯片表面多尺度异常检测的特征净化条件扩散
《ADVANCED ENGINEERING INFORMATICS》:PureDiffAD: Feature-purified conditional diffusion for multi-scale anomaly detection on semiconductor laser chip surfaces
【字体:
大
中
小
】
时间:2026年09月23日
来源:ADVANCED ENGINEERING INFORMATICS 11.5
编辑推荐:
- PureDiffAD 可检测半导体激光芯片表面的多尺度异常。
- 真实缺陷先验可缩小合成与真实异常之间的分布差距。
- 特征纯化条件嵌入可降低扩散过程中的异常泄漏。
- 全特征异常评分可增强细粒度低对比度异常检测。
**引言**
半导体激光二极管(LD)芯片是光模块中
- PureDiffAD 可检测半导体激光芯片表面的多尺度异常。- 真实缺陷先验可缩小合成与真实异常之间的分布差距。- 特征纯化条件嵌入可降低扩散过程中的异常泄漏。- 全特征异常评分可增强细粒度低对比度异常检测。**引言**半导体激光二极管(LD)芯片是光模块中的关键器件,广泛应用于光纤通信、医疗设备和精密制造领域 [1]。由于出光面的微尺度尺寸以及制造工艺的复杂性,该出光面在封装、搬运和贴装过程中极易受到划痕、颗粒污染、涂层褶皱和压痕等异常的影响 [2]。这些异常不仅会损害器件的局部表面结构和光学均匀性,还可能导致光场分布异常、局部热积累,甚至器件失效。因此,准确可靠地检测LD芯片表面异常对于确保制造质量和运行可靠性至关重要。近年来,基于计算机视觉的自动光学检测已成为工业质量控制中不可或缺的技术 [3]、[4]。如图1所示,LD芯片表面异常检测面临两个主要困难。首先,运行环境本质上是一个开放集问题。由于动态制造环境中的异常类型无法被穷尽列举,设备和工艺的演进不可避免地会引入新型异常类别。因此,模型必须具备在推理阶段识别完全未见过的异常类别的能力,而不仅仅是推广到已知类别的新实例上 [5]、[6]。其次,与传统数据集(如MVTec AD [7])中对比度显著、空间范围大的异常不同,LD表面异常呈现出极大的形态和光学异质性。在均匀金属背景上并存的不同尺度和对比度的异常,再加上与真实异常极为相似的良性工艺变化,共同对精确异常检测构成了严峻挑战。基于重建的方法为解决开放集问题提供了一种有效途径。这些方法不需要依赖穷举的预定义异常分类体系,而是仅建模正常样本的分布。随后通过度量输入图像与其重建结果之间的差异来识别异常 [8]、[9]、[10]。值得注意的是,扩散模型已成为该领域的有力工具,展现出在高质量生成和细粒度结构建模方面的卓越能力。因此,基于扩散的重建方法在工业异常检测中取得了令人瞩目的成果 [11]、[12]、[13]。然而,将基于扩散的重建方法直接应用于LD芯片表面异常检测仍面临三大挑战。**(1) 条件重建中的异常泄漏。** 当测试图像或扰动图像的特征被直接用作条件输入时,条件扩散模型可能在重建过程中保留异常内容并退化为近似恒等映射,从而削弱输入与重建之间的差异。**(2) 传统扰动方法的判别力不足。** 由于LD芯片表面具有高度均匀的纹理和微妙的局部结构变化,传统的异常合成方法(如CutPaste、随机噪声和纹理扰动)往往生成的样本与正常样本之间的偏差较小,难以构建具有现实性和判别力的扰动,从而限制了对清晰异常边界的学习。**(3) 细粒度和低对比度异常表征不足。** LD芯片表面的异常往往存在显著跨尺度变化。其中,划痕、轻微褶皱和弱污染倾向于在深层特征空间中产生微弱响应,使得传统特征差异度量难以实现完整和精确的定位。针对上述挑战,我们提出了PureDiffAD,一个面向LD芯片表面异常检测的新型条件扩散重建框架。通过建模规范数据分布并利用低成本的真实缺陷先验,PureDiffAD能够在标注有限的开放集工业场景中实现未见异常的鲁棒检测与定位。PureDiffAD的核心包含三个组成部分。首先,为弥合合成异常与实际异常之间的分布差距,我们开发了**真实缺陷扰动(RDP)**模块。通过构建有针对性的真实缺陷补丁库,RDP生成高度逼真且具有判别力的扰动训练样本。其次,为缓解异常泄漏并防止生成过程退化为恒等映射,我们设计了**特征纯化条件嵌入(FPCE)**机制。借助特征库和Q加噪交叉注意力(QNCA),FPCE在正常先验的引导下提取正常模式的条件特征,在重建过程中有效抑制异常内容。最后,我们提出了**全特征异常评分(FAS)**方法,以增强对微细和超低对比度异常的敏感度。FAS通过联合建模多级特征差异以及局部结构和纹理响应,执行两阶段异常评估,确保全面而精确的细粒度定位。在真实LD芯片数据集上的评估验证了PureDiffAD的有效性。该方法的性能优于现有最优基线,在图像级AUROC上达到97.2%,像素级AUPRO达到84.7%,展现出对低对比度和细粒度异常的卓越鲁棒性。这些结果表明,集成我们提出的定制机制可显著提升扩散模型在严格工业质量控制中的精度和实用性。**章节摘要****无监督工业异常检测**无监督工业异常检测旨在建模正常样本的分布,并在测试时识别偏离该分布的样本 [14]。现有方法一般分为基于嵌入和基于重建两类 [15]。基于嵌入的方法通常使用预训练骨干网络提取多级特征,并通过记忆库、最近邻匹配或统计建模来进行异常检测和定位。代表性方法**概述**针对LD芯片表面检测中异常类别为开放集、异常模式多样以及精确标注成本高昂的问题,我们提出了PureDiffAD——一种用于异常检测的条件扩散重建框架,如图2所示。该框架旨在建模正常样本的分布,并通过重建差异实现未见过异常的鲁棒检测。为应对工业场景中异常训练样本稀缺的问题,**实验设置****数据集。** 为评估PureDiffAD的有效性,我们从一条LD芯片贴装生产线上采集了原始图像,所有样本均裁剪为256×256像素。训练集由从200张无异常图像中随机裁剪的400个正常样本组成。为构建RDP模块所需的真实缺陷模式库,我们对100张异常图像进行了边界框标注,并将其尺寸调整为patch大小的整数倍以便特征提取。测试集包含30**结论**本文提出了PureDiffAD,一个面向LD芯片表面异常检测的条件扩散重建框架,适用于异常类别为开放集、异常模式多样且精确标注成本高昂的场景。RDP引入真实缺陷先验以缩小合成异常与真实异常之间的分布差距,FPCE通过提取与正常先验一致的条件特征来抑制异常泄漏,FAS联合建模全局结构**CRediT作者贡献声明****Jiaqing Huang:** 撰写—审阅与编辑,撰写—初稿,可视化,验证,软件,方法论,形式化分析,数据管理,概念构思。**Jianjun He:** 监督,资源,项目管理,资金获取。**Zhipeng Chen:** 资源,项目管理,调查,资金获取,数据管理,概念构思。**Ling Shen:** 撰写—审阅与编辑,资金获取,数据管理。**Lei He:** 概念构思。**Weihua Gui:** 监督,**利益冲突声明**作者声明,他们不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。**Jiaqing Huang** 于2022年获得中国长沙中南大学自动化工程学士学位。目前在中国中南大学自动化学院攻读控制科学与工程博士学位。其主要研究方向包括图像处理、仪器检测、冶金过程建模与控制。Jiaqing Huang|Jianjun He|Zhipeng Chen|Ling Shen|Lei He|Weihua Gui
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号