基于因果推断的柔性印刷电路板表面缺陷检测方法

《Engineering Applications of Artificial Intelligence》：A causal inference-based approach for flexible printed circuit surface defect detection

　　

陈光柱|戴久|唐源|廖晓娟|李志辰|徐林茂

中国成都理工大学计算机科学与网络安全学院

摘要

柔性印刷电路（FPC）的缺陷检测对于确保生产质量至关重要。然而，仅使用数据驱动的方法来实现令人满意的性能具有挑战性。将缺陷特征与背景纹理之间的因果关系纳入缺陷检测为解决这一问题提供了新的视角。通过引入因果关系到缺陷检测路径中，提出了一种基于因果关系的FPC表面缺陷检测方法（DDPC-DD）。DDPC-DD分析了FPC表面缺陷检测任务的因果图，分解了导致最终检测结果的缺陷特征和背景特征的因果路径，并进一步使用缺陷背景特征重建生成器来重建背景特征，从而将缺陷特征与背景特征分离。在此基础上，添加了一个基于混杂因素消除的缺陷特征增强模块，以简化因果干预策略并消除特征空间中的混杂影响，从而检测缺陷。实验结果表明，我们的方法在自建的FPC缺陷数据集（FPCSD2025）上显著提高了AP50和mAP，分别达到了69.2%和36.2%，超越了基础模型的检测性能。相关代码已开源。代码可在以下链接获取：https://github.com/FutureIAI/DDPC-DD。

引言

识别偏离正常运行条件的异常模式是工业异常检测中的核心挑战（Wang等人，2026；Miao等人，2024）。同样，在电子制造领域，电子元件放置密度的增加和特征尺寸的减小显著增加了微小缺陷的自动识别难度，这些缺陷通常对比度低且嵌入在复杂的背景纹理中（Zhu等人，2025）。柔性印刷电路（FPC）是一种在聚酰亚胺或聚酯薄膜上制造的柔性PCB（图1a），容易出现各种表面缺陷。尽管FPC具有高布线密度、优异的柔韧性和轻量化等理想特性，使其在航空航天、电信、消费电子、汽车、医疗、工业控制和能源等行业得到广泛应用，但由于电路布局和层间结构的设计缺陷、铜箔材料质量差以及曝光、显影、蚀刻、焊接和层压等工艺参数的偏差，FPC经常会出现表面缺陷（图1b）。

基于深度学习的对象检测方法在FPC表面缺陷检测中受到了广泛关注。然而，这些基于深度学习的方法严重依赖于数据驱动的方法，而在FPC生产过程中，数据收集成本高和工作条件复杂导致样本稀缺。在这种情况下，如果模型仅依赖于数据的统计模式而缺乏物理知识或领域规则的指导，就容易产生反直觉的预测。同时，在小样本条件下，训练数据与现实世界场景之间的分布差异显著增加，导致模型的泛化能力急剧下降。这种困境突显了将领域特定机制知识与数据模型相结合的必要性，通过将领域知识以约束或网络架构的形式嵌入，可以同时提高缺陷检测模型的准确性、可解释性和鲁棒性。类似的将物理机制与数据驱动模型相结合的混合范式在其他工业预测和健康管理任务中也显示出有效性，例如轴承磨损预测（Wang等人，2025）。

本文提出了一种基于因果关系的FPC表面缺陷检测方法，称为DDPC-DD。通过引入基于因果关系的缺陷检测路径方法，模型能够分离背景特征与缺陷特征之间的因果路径，从而专注于缺陷特征，提高检测性能。

本文的主要贡献总结如下：

(1)

从缺陷检测路径因果关系的角度构建了缺陷检测任务的结构因果模型，揭示了缺陷特征和背景特征向缺陷标签检测的因果路径。

(2)

构建了一个缺陷背景特征重建生成器，以分离缺陷背景特征，揭示了背景特征向缺陷标签检测的因果路径。

(3)

构建了一个基于混杂因素消除的缺陷特征增强模块，以消除背景特征对缺陷检测的影响，同时加强缺陷特征对检测结果的因果路径。

章节摘录

相关工作

目前，关于具有复杂纹理的FPC缺陷检测的研究仍处于初步探索阶段。Zulkoffli和Bakar（2016）采用了一种基于模板匹配的消除-减法方法进行FPC表面缺陷检测。该方法通过比较测试图像和标准模板之间的二值图像差异来定位和初步分类FPC缺陷，同时过滤掉小噪声区域。Wang等人（2016）提出了一种基于形态学的 Watershed 分割方法

整体网络架构

缺陷检测路径因果驱动的FPC表面缺陷检测（DDPC-DD）的结构如图2所示。DDPC-DD可以分为四个部分：主干网络（Backbone）、因果推理学习层、特征融合网络（Neck）和检测头（YOLOHead）。主干网络负责特征提取。因果推理学习层在来自因果图表示分析的结构因果模型的指导下执行

实验设置

数据集：我们使用FPCSD2025数据集，这是一个自建的FPC表面缺陷数据集，包含11种缺陷类型：Z1（压痕）、Z2（皱纹）、Z3（常见污染）、Z4（划痕）、C3（CVL外来物质）、C4（亚膜氧化）、F1（油墨外来物质）、F2（油墨脱落）、F3（油墨污染）、J1（金表面粗糙度）和J3（镀层缺失）。图像是在受控照明条件下使用线性工业相机（分辨率2448×2048）获取的。注释遵循YOLO格式，带有边界框

结论

为了解决由于FPC表面缺陷与复杂纹理背景混合导致的背景误分类问题，本文从缺陷检测路径因果关系的角度出发。通过分析复杂纹理背景下的FPC表面缺陷检测任务的因果图，我们分别表示了缺陷特征和背景特征向缺陷标签检测的因果路径。随后，缺陷背景特征

局限性

• (1)
  背景重建生成器只能近似真实的背景分布，在高度复杂的纹理区域可能会引入重建偏差。
• (2)
  使用基于边界框的掩码可能导致标注区域内缺陷和背景特征的分离不完整。
• (3)
  额外的模块增加了模型的复杂性和训练成本，与轻量级检测器相比。这些局限性表明需要在精确的特征分离方面进行进一步改进

未来研究方向

• (1)
  对于基于缺陷检测路径因果关系的FPC表面缺陷检测方法，尽管缺陷背景特征重建生成器可以重建缺陷周围的近似背景，但它无法在标记区域内完全分离和解耦缺陷特征和背景特征。如何在标记区域内分离缺陷特征和背景特征仍然是未来研究的关键挑战。
• (2)
  关于缺陷特征和

CRediT作者贡献声明

陈光柱：概念化、方法论、项目管理、监督、撰写——审阅与编辑。戴久：概念化、方法论、撰写——初稿。唐源：撰写——审阅与编辑。廖晓娟：调查。李志辰：软件。徐林茂：可视化。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到了四川国际港澳台科技创新合作项目（项目编号2023YFH0029）的支持。