基于少样本细粒度部件分割的工业装配场景紧固件异常检测

本文提出了一种创新的两阶段异常检测框架，针对工业装配场景中由装配关系引发的逻辑异常（如直升机主桨毂安装）和无关部件干扰问题。通过融合少样本细粒度分割模型（FCPB/GFRB，5-shot下mIoU达81.78%）与特征-装配关系融合记忆库（ARH/CFE模块），在自建FA-AD数据集上实现99.31% AUROC，较现有技术提升13.44%，为复杂工业装配质量管控提供新范式。

　　

亮点

本研究突破性地将装配关系先验知识编码到少样本分割模型中，通过装配关系熵和部件装配比损失（FCPB模块），使模型能显式捕捉多部件耦合时的相互依赖关系。全局语义前景优化分支（GFRB）进一步强化关键装配区域的识别精度，在金属光泽部件高度相似的挑战下仍实现精细分割。

方法学

提出的两阶段框架包含：

1. 1.

   少样本细粒度部件分割阶段：整合FCPB（装配关系熵损失+部件装配比损失）与GFRB（前景融合策略），仅需5个标注样本即可达到81.78% mIoU

2. 2.

   特征-装配关系融合记忆库：通过装配关系直方图（ARH）捕捉部件间相对方位，结合部件特征嵌入（CFE）分析视觉特征，共同构建逻辑异常检测基准

实验验证

在自建FA-AD数据集（含位置/方向逻辑异常和复杂背景干扰）上的测试表明：

• •

  超越现有SOTA方法13.44% AUROC

• •

  ARH模块对方向异常敏感度提升21%

• •

  CFE有效抑制无关部件干扰（误报率降低37%）

结论

该框架首次将装配关系逻辑约束量化为可计算的熵损失函数，并通过特征-几何双模态记忆库实现工业装配场景的精准异常定位。未来可扩展至航天发动机叶片装配等更高精度需求的领域。

（注：根据要求已去除文献引用标识[ ]和图示标识Fig.，专业术语保留英文缩写并标注，如mIoU、AUROC等；上标下标使用规范表示）