智能系统学报

元能源系统——能源网络与元宇宙的碰撞

张承慧 — 2024年07月05 00:00

多机器人系统感知能力和控制体系结构综述

2024年07月05 00:00

为了促进多机器人系统(multi robot system, MRS)的智能化、无人化发展，并提升MRS在不同工作环境中的探测能力和系统的灵活性，本文从MRS的感知能力及其控制系统架构的角度出发，深度调研并分析了MRS相关的研究与工作，重点探讨了空中、地面、水面、水下4种应用环境下的MRS感知能力与控制系统架构，并对未来的研究方向进行展望。本文的结果可对于后续MRS在感知方法和控制系统的选用上提供参考。

基于属性图的社区搜索模式及其分类体系

2024年07月05 00:00

当前在属性图中的社区搜索方法较多、类型繁杂，没有系统的分类方式，约束了社区搜索的应用。为明确属性图社区搜索的类别，对属性图社区搜索分类方法进行研究。首先，首次提出属性图社区搜索模式的概念，深入分析属性图社区搜索模式之间存在的联系，提出属性图社区搜索模式的等价、从属、交叉、全异4种关系；其次，以搜索模式的输入图属性、输出图拓扑结构和各属性图社区搜索模式的实际意义为基础，构建两层分类体系，第1层是由输入属性图相同的模式集合构成的集族，这里的输入属性图包括时序、空间、关键字、权值、空属性图，第2层是由输出图拓扑结构及实际意义定位到的每一个具体的属性图社区搜索模式；然后，针对第2层中每一种模式，给出对应社区搜索算法的对比分析结果；最后，对所有属性图社区搜索模式的特性集中分析。总体而言，属性图社区搜索模式不仅为理解和分析复杂网络结构提供有力工具，也为解决实际问题提供新的视角和方法。

一种三层加权文本聚类集成方法

2024年07月05 00:00

为了提高聚类集成效果，本文设计了一种对点、簇、划分进行加权的统一框架，提出一种三层加权文本聚类集成方法。首先根据基聚类生成超图邻接矩阵，然后依次对点、簇、划分进行加权获得加权邻接矩阵，最后用层次凝聚聚类算法获得最终结果。在多个真实文本数据集上进行实验，结果表明，与未加权及其他层面加权相比，三层加权方法可以获得更好的聚类效果，三层加权相较于未加权的平均提升幅度为12.02%；与近年来的其他8种加权方法相比，该方法在所有数据集上的平均排名位列第一，验证了本文方法的有效性。

三维点云配准的多尺度深度学习方法

郭大伟, 李景浩, 陆军 — 2024年07月05 00:00

针对近几年三维视觉领域基于深度学习点云配准算法鲁棒性差和精度较差等问题，设计了一种基于深度学习的三维点云配准方法。首先抽取具有明显几何特征的点作为兴趣点，通过区域生长算法对兴趣点进行聚合，并基于多尺度分析方法进行特征提取以及特征融合。为进一步提取特征数据中包含的深层局部信息，使用多层感知机（multilayer perceptron，MLP）网络进行二次特征提取，并加入修改过的Transformer网络补充特征。设计了匹配矩阵生成及优化算法，并通过奇异值分解（singular value decomposition，SVD）计算得到变换矩阵。通过在ModelNet40数据集上进行比较实验，证明本文的配准算法远优于传统配准算法，并在配准精度和鲁棒性方面优于近几年流行的深度配准网络DCPNet和RPMNet。本文分析结果可为提高点云配准鲁棒性以及精度提供参考。

结合注意力的纺织品瑕疵检测方法研究

2024年07月05 00:00

本文阐述了一种名为SAAM-YOLOX的基于改进YOLOX的纺织品瑕疵检测模型，旨在解决纺织品瑕疵检测中针对犬牙花纹与格纹背景中出现的误检和漏检问题，以及整体检测精度不高的问题。在特征提取阶段，该模型引入了离散余弦变换所构建的多分支离散余弦注意力机制（multi-branch discrete cosine attention，MDCA），能够解决模型在犬牙花纹与格纹背景中出现的误检和漏检问题，并且在检测精度上有一定的提高；在特征融合阶段，为了聚集和加强不同尺度的语义特征，SAAM-YOLOX模型采用了尺度聚合技术和注意力机制来构建尺度聚合注意力模块（scale aggregation attention module，SAAM）。在SAAM的上采样过程中，使用双线性插值结合自注意力机制来增强特征信息的有效性，从而进一步提高检测的精度。在完成尺度聚合后，加入注意力模块来增强混合尺度的特征表示，最终实现提高检测效果的目的。实验结果表明，本文检测模型解决了犬牙花纹与格纹背景中出现的误检和漏检问题，并且提高了瑕疵检测的精度。

基于动态阈值和差异性检验的自训练算法

2024年07月05 00:00

针对自训练算法在迭代训练分类器的过程中存在难以有效选取高置信度样本以及误标记样本错误累积的问题，本文提出了基于动态阈值和差异性检验的自训练算法。引入样本的局部离群因子，据此剔除有标签样本中的离群点以及分类标注无标签样本，依据标注分批次处理无标签样本，以使模型更易选取到高置信度的无标签样本；根据新增伪标签样本的数量和对比隶属度的变化，设计一种动态隶属度阈值函数，提升高置信度样本的质量；定义密集距离度量样本间的差异性，分别计算伪标签样本与同类和不同类样本之间的密集距离之和，从而找出不确定度高的伪标签样本，并将此类样本并入下轮训练的无标签样本集中，缓解误标记样本错误累积的问题。实验结果表明，该算法在12个UCI基准数据集上均取得理想效果。

联合局部多尺度和全局上下文特征的步态识别

李浩淼, 张含笑, 邢向磊 — 2024年07月05 00:00

现有步态识别方法在空间上能提取丰富的步态信息，但是在时间上通常忽略局部区域内的细粒度时间特征和不同子区域间的时间上下文信息。考虑到步态识别为细粒度识别问题同时每个人行走的时间上下文信息具有独特性，提出一种联合局部多尺度和全局上下文时间特征的步态识别方法。将整个步态序列按多个时间分辨率划分并提取局部子序列内的多分辨率细粒度时间特征。在子序列之间基于Transformer提取时间上下文信息，并基于上下文信息融合所有子序列形成全局特征。在2个公开数据集上进行大量的实验，在CASIA-B数据集的3种行走状态下取得98.0%、95.4%和87.0%的rank-1准确率，在OU-MVLP数据集上取得90.7%的rank-1准确率。本文提出的方法得到的结果可为其他步态识别方法提供参考。

基于多路特征渐进融合和注意力机制的轻量级图像超分辨率重建

刘玉铠, 周登文 — 2024年07月05 00:00

为进一步探索在计算和存储资源受限设备上应用超分辨率方法的可能性，本研究聚焦于深度卷积神经网络技术在单图像超分辨率中的应用，特别是如何在不显著增加网络规模的情况下，提升网络的性能。本文提出一种新的基于多路特征渐进融合和注意力机制的轻量级单图像超分辨率方法(multi-path feature fusion and attention mechanism，MPFFA)。MPFFA包括一个多路特征渐进融合块 (multi-path feature progressive fusion，FPF)，可以通过前面的特征，多路渐进地引导和校准后面特征的学习；还包括一个多路特征注意力机制(multi-path feature attention mechanism，FAM)，通过加权拼接多路特征通道，可以提高特征信息的利用率和特征表达能力。实验结果表明：MPFFA显著优于当前其他代表性的方法，在模型复杂度和性能间达到了更好的平衡。本文提出的模型能够更好地应用于计算和资源受限的设备上。

基于BS-1DCNN的海缆振动信号识别

2024年07月05 00:00

光纤振动信号是非线性的，传统的非线性振动信号识别方法通常需要信号分析和特征选择，既耗时又复杂。本文提出一种光纤振动信号识别新方法，可以直接提取特征，对原始信号进行分类，简化识别过程。本方法用支持向量机代替Softmax分类器，优化一维卷积神经网络（one-dimensional convolution neural network，1DCNN），以提高1DCNN结果在小样本条件下的稳定性。采用鸟群算法（bird swarm algorithm，BSA）对支持向量机(support vector machine，SVM)参数进行了优化，有效地提高识别精度。将本文提出的BS-1DCNN方法与1DCNN、VMD-GA-SVM、VMD-PSO-SVM、VMD-BSA-SVM共4种方法进行比较，结果表明，BS-1DCNN在识别准确率和测试时间方面性能表现良好。该算法能有效提高海缆振动信号识别率，且在不同样本比例下均能达到较好的识别效果。

基于多通道交叉注意力融合的三维目标检测算法

2024年07月05 00:00

针对现有单阶段三维目标检测算法对点云下采样特征利用方式单一、特征对长程上下文信息的聚合程度无法满足算法性能提升需求的问题，本文提出了基于多通道交叉注意力融合的单阶段三维目标检测算法。首先，设计通道交叉注意力模块用于融合下采样特征，可基于交叉注意力机制在通道层面上增强多尺度特征对不同感受野下长程空间信息的表达能力；然后，提出级联特征激励模块，结合原始下采样特征对通道交叉注意力加权特征进行级联激励，提升算法对关键空间特征的学习能力。在公共自动驾驶数据集KITTI上进行了大量实验并与主流算法对比，本文算法作为单阶段目标检测算法，在车辆类别3个难度级别上的检测准确率分别为91.34%、79.85%和75.98%，较基线算法分别提升了4.83%、3.26%和3.32%。实验结果证明了本文算法及所提模块在三维目标检测任务上的有效性和先进性。

结合多尺度特征与混淆学习的跨模态行人重识别

2024年07月05 00:00

跨模态行人重识别研究的重难点主要来自于行人图像之间巨大的模态差异和模态内差异。针对这些问题，提出一种结合多尺度特征与混淆学习的网络结构。为实现高效的特征提取、缩小模态内差异，将网络设计为多尺度特征互补的形式，分别学习行人的局部细化特征与全局粗糙特征，从细粒度和粗粒度两方面来增强网络的特征表达能力。利用混淆学习策略，模糊网络的模态识别反馈，挖掘稳定且有效的模态无关属性应对模态差异，来提高特征对模态变化的鲁棒性。在大规模数据集SYSU-MM01的全搜索模式下该算法首位击中率和平均精度(mean average precision, mAP)的结果分别为76.69%和72.45%，在RegDB数据集的可见光到红外模式下该算法首位击中率和mAP的结果分别为94.62%和94.60%，优于现有的主要方法，验证了所提方法的有效性。

基于域间Mixup微调策略的跨被试运动想象脑电信号分类算法

2024年07月05 00:00

为了缓解传统微调算法的灾难性遗忘问题，本文提出了一种基于域间Mixup微调策略的跨被试运动想象脑电信号分类算法Mix-Tuning。Mix-Tuning通过预训练、微调的二阶段训练方式，实现跨领域知识迁移。预训练阶段，Mix-Tuning使用源域数据初始化模型参数，挖掘源域数据潜在信息。微调阶段，Mix-Tuning通过域间Mixup，生成域间插值数据微调模型参数。域间Mixup数据增强策略引入源域数据潜在信息，缓解传统微调算法在样本稀疏场景下的灾难性遗忘问题，提高模型的泛化性能。Mix-Tuning被进一步应用于运动想象脑电信号分类任务，实现了跨被试正向知识迁移。Mix-Tuning在BMI数据集的运动想象任务达到了85.50%的平均分类准确率，相较于被试–依赖和被试–独立训练方式的预测准确率58.72%和84.01%，分别提高26.78%和1.49%。本文分析结果可为跨被试运动想象脑电信号分类算法提供参考。

基于Transformer的多尺度遥感语义分割网络

2024年07月05 00:00

为了提升遥感图像语义分割效果，本文针对分割目标类间方差小、类内方差大的特点，从全局上下文信息和多尺度语义特征2个关键点提出一种基于Transformer的多尺度遥感语义分割网络（muliti-scale Transformer network，MSTNet）。其由编码器和解码器2个部分组成，编码器包含基于Transformer改进的视觉注意网络(visual attention network，VAN)主干和基于空洞空间金字塔池化（atrous spatial pyramid pooling, ASPP）结构改进的多尺度语义特征提取模块（multi-scale semantic feature extraction module, MSFEM）。解码器采用轻量级多层感知器（multi-layer perception，MLP）配合编码器设计，充分分析所提取的包含全局上下文信息和多尺度表示的语义特征。MSTNet在2个高分辨率遥感语义分割数据集ISPRS Potsdam和LoveDA上进行验证，平均交并比（mIoU）分别达到79.50%和54.12%，平均F₁-score（mF₁）分别达到87.46%和69.34%，实验结果验证了本文所提方法有效提升了遥感图像语义分割的效果。

基于数字报历史优秀版面的样式智能生成与微调

2024年07月05 00:00

在传统报纸印刷行业中，设计人员需要根据设计规则进行人工排版，其排版过程造价成本较高且耗时耗力。为提高排版效率，研究提出一种基于历史优秀版面的样式自动生成与微调方法。为了从数据中学习到报纸排版的风格，创建一个包含丰富的设计元素参数信息的电子报数据库，这些特征信息能够有效地反映报纸的布局。对于给定的新闻文章，首先根据历史优秀版面训练概率模型来推断电子报版面的样式，并结合固定约束和用户约束保证样式有效，同时构建美学设计原理的量化方法进一步实现样式微调。最后通过定性和定量评估，表明新方法可以生成满足视觉美观性、层次性和可读性的报纸。本文方法可为版面设计样式智能生成提供参考。

属性权重动态更新的自适应群体共识决策方法

2024年07月05 00:00

为了提高不确定语言环境下异构多属性群决策的质量、效率及可解释性，提出一种属性权重动态更新的自适应群体共识决策方法。首先，定义不确定语言变量与中间值之间的转换函数，发展多级共识测度，建立计算属性初始权重的双目标优化模型；进而，构建包含群体共识自动达成规则和属性权重动态更新机制的自适应共识模型，实现待调整值的精准定位和自动修改，在优化属性权重的同时进一步提升群体共识水平；然后，对于达成共识的群体决策矩阵，先利用转换函数将中间值转换为不确定语言变量，再使用属性权重和集结算子得到各方案的综合评价结果；最后，通过供应商选择实例和实验比较分析验证所提方法的有效性和可行性。本文研究结果为灵活、高效地求解复杂环境下的多属性群决策问题提供了有效途径。

基于AEViT与先验知识的胶质瘤IDH1突变状态预测

2024年07月05 00:00

针对目前预测胶质瘤异柠檬酸脱氢酶1（isocitrate dehydrogenase1, IDH1）突变状态存在的数据不足、准确率较低等问题，提出一种基于AEViT（auto-encoder vision Transformer）与先验知识的胶质瘤IDH1突变状态预测方法。首先使用改进的K-Means聚类算法为无IDH1突变状态标签的胶质瘤磁共振成像（magnetic resonance imaging，MRI）数据标注伪标签，并采用ViT（vision Transformer）网络对伪标签进行修正，得到最终的胶质瘤IDH1突变状态。为避免不准确的伪标签数据影响模型精度，采用果蝇优化算法为伪标签数据赋予最优权重；然后提出基于Auto-Encoder和ViT的分类模型AEViT，利用Auto-Encoder提取胶质瘤MRI特征；再将特征输入ViT中对胶质瘤IDH1突变状态进行分类；最后将基于胶质瘤位置信息的先验知识加入模型，达到99.01%的预测准确率。结果表明该方法优于其他现有模型，能够实现胶质瘤数据扩增和术前无创、准确地预测胶质瘤IDH1突变状态，从而辅助诊疗过程。

复杂环境下DWA与RRT算法融合的AUV局部路径规划

2024年07月05 00:00

针对复杂水下环境下的自主水下航行器（autonomous underwater vehicle，AUV）局部路径规划问题，传统动态窗口法(dynamic window approach，DWA）存在复杂障碍物中陷入局部停滞，动态避障性能不佳等问题，本文提出了一种基于DWA与快速随机搜索树（rapid-exploration random tree，RRT)算法融合的路径规划算法。改进的DWA算法速度空间根据整个动态窗口的周期生成，重设了评价函数并结合AUV任务环境引入洋流能耗评价函数；改进的RRT算法在局部已知空间内规划导引点，帮助DWA脱离局部停滞状态并实现更安全的动态避障。将2种算法融合，实现了AUV在复杂水下环境中的局部路径规划。仿真表明，该融合算法能够降低AUV在洋流中的能耗代价，解决了DWA在复杂障碍物中陷入局部停滞的问题，能够安全有效地躲避动态避障物。

迁移表征的知识追踪模型

张凯, 刘月, 覃正楚, 秦心怡 — 2024年07月05 00:00

针对多数知识追踪研究在表征题目时仅利用了题目包含的概念等显性特征，未能考虑到题目中概念的考察侧重程度这一隐性特征，也未表征迁移过程中题目的迁移程度的问题，本文提出题目迁移表征的知识追踪模型。在题目侧重表征方面，采用加性注意力机制提取题目中各个概念的考察侧重程度；在题目迁移方面，利用相似性和通道注意力机制融合建模历史题目多角度的迁移程度；在迁移遗忘方面，使用门限机制建模学习迁移的遗忘过程。最终得到题目迁移表征，以此来预测学习者未来的答题表现。在实验阶段，与6种相关模型在3个真实数据集上进行对比实验，结果表明提出模型的曲线下面积(area under the curve, AUC)和准确率(accuracy, ACC)均有更好表现，尤其在ASSISTments2012数据集上表现最佳，相较于其他对比模型分别提升了3.5%~20.1%和2.3%~18.5%；在可解释性方面，使用图表可视化描述了题目迁移表征生成路径。本研究建模的学习迁移内在机制可为知识追踪模型的设计提供参考。

基于邻域互信息与K-means特征聚类的特征选择

2024年07月05 00:00

针对多数邻域系统通过人工调试很难搜索到最佳邻域半径，以及传统的K-means聚类需要随机选取簇中心和指定簇的数目等问题，提出了一种基于邻域互信息与K-means特征聚类的特征选择方法。首先，将样本在各特征下与其他样本距离的平均值作为自适应邻域半径，确定样本的邻域集，并由此构建自适应邻域熵、邻域互信息、归一化邻域互信息等度量，反映特征之间的相关性；然后，基于归一化邻域互信息构建自适应K近邻集合，利用Pearson相关系数表示特征的权重定义加权K近邻密度，实现自动选取K-means算法的簇中心，进而完成K-means特征聚类；最后，给出加权平均冗余度，选出每个特征簇中加权平均冗余度最大的特征构成最优特征子集。实验结果表明所提算法不仅可以有效提升特征选择的分类结果而且可以获得更好的聚类效果。

基于动态兴趣传播和知识图谱的推荐方法

束玮, 李翔, 孙纪舟, 朱全银, 任珂 — 2024年07月05 00:00

知识图谱推荐作为一种信息过滤方法被广泛应用于电子商务和网络社交等领域，然而多数基于知识图谱的推荐方法未采取合适的策略来解决传播过程中实体语义关联性衰减问题，且单维度建模无法利用知识图谱同时丰富用户和项目表示。针对以上问题提出一种基于动态兴趣传播和知识图谱的推荐方法（recommendation method based on dynamic interest propagation and knowledge graph，RDPKG）。首先，通过传播网络挖掘层级用户兴趣生成用户表示，并采用注意力机制区分不同传播层数下用户兴趣的重要性；然后，通过交叉压缩单元提取知识图谱中的有效信息生成项目表示，并采用多任务学习优化推荐单元和知识图谱嵌入单元；最后，将最终的用户表示和项目表示内积获得交互概率。在推荐系统领域的3种公共数据集上进行对比实验，实验结果表明在点击率预测任务中RDPKG的准确率分别达到85.42%、76.09%和69.39%，优于其他对比方法，充分验证了RDPKG方法的有效性。

融合CNN与Transformer的MRI脑肿瘤图像分割

刘万军, 姜岚, 曲海成, 王晓娜, 崔衡 — 2024年07月05 00:00

为解决卷积神经网络(convolutional neural network, CNN)在学习全局上下文信息和边缘细节方面受到很大限制的问题，提出一种同时学习局语义信息和局部空间细节的级联神经网络用于脑肿瘤医学图像分割。首先将输入体素分别送入CNN和Transformer分支，在编码阶段结束后，采用一种双分支融合模块将2个分支学习到的特征有效地结合起来以实现全局信息与局部信息的融合。双分支融合模块利用哈达玛积对双分支特征之间的细粒度交互进行建模，同时使用多重注意力机制充分提取特征图通道和空间信息并抑制无效的噪声信息。在BraTS竞赛官网评估了本文方法，在BraTS2019验证集上增强型肿瘤区、全肿瘤区和肿瘤核心区的Dice分数分别为77.92%，89.20%和81.20%。相较于其他先进的三维医学图像分割方法，本文方法表现出了更好的分割性能，为临床医生做出准确的脑肿瘤细胞评估和治疗方案提供了可靠依据。

单边区间集模糊半概念的知识表示及提取方法

2024年07月05 00:00

为了使“区间”形式加以表述的不确定信息的提取具有侧重性，需提取出对象(属性)集对应的属性(对象)区间集。本文在模糊形式背景中，通过引入2个阈值，将单边区间集与经典半概念结合，提取出属性(对象)集对应的对象(属性)区间集，从而提出区间集外延–集合内涵(集合外延–区间集内涵)(interval set extent-set intent(set extent-interval set intent)，ISE-SI(SE-ISI))型单边区间集模糊半概念。全体ISE-SI(SE-ISI)型单边区间集模糊半概念构成格，并给出基于格搜寻全体ISE-SI(SE-ISI)型单边区间集模糊半概念的算法。通过与已有成果对比，显示出这2种知识表示形式的多方优势。本文所得结果在知识表示及提取方法上具有适用范围广、实际应用强等优点。

面向结构地震响应预测的Phy-LInformers方法

2024年07月05 00:00

为了准确评估建筑结构在地震作用下的动力特性和延性性能并促进韧性城乡的建设，本文提出了一种名为Phy-LInformers的深度学习框架，该框架综合运用了长短期记忆网络（long short-term memory，LSTM）、Transformer类模型Informer以及物理先验知识，以实现对建筑结构非线性地震响应的精确预测。该框架的核心思想是结合Informer的编码（Encoder）和解码（Decoder）结构，在Decoder部分引入了LSTM以预测建筑物先前的历史状态信息。同时，通过将现有的物理知识（例如预测变量之间的状态依赖关系和运动控制方程等）编码到损失函数中，对Phy-LInformers进行指导并约束其学习空间，同时提高有限训练数据下深度学习模型的预测性能。随后，通过2个模拟数据算例验证所提框架的性能。结果表明，所提出的Phy-LInformers是一种鲁棒性良好、预测性能优秀的非线性地震响应预测方法，即使在训练样本非常少（例如仅有10条）的情况下依然能准确预测结构在地震作用下的动力响应。这一特性使得Phy-LInformers在工程实践中具有可行性，并且在建筑结构抗震性能评价领域展现出良好的应用前景。

因素空间理论下的因果概率推理分类算法研究

2024年07月05 00:00

机器学习方法与因果推理结合能极大地提升方法性能。为探究因果概率正逆向推理的分类效果，基于因素空间理论下的因素概率论，利用条件概率，研究正向因素概率推理原理及模型并提出正向因果概率推理分类法(forward causal probabilistic inference classification algorithm, FCPIC)和简化条件的可取度分类法；研究逆向因素概率推理原理及模型并结合贝叶斯网络提出逆向因果概率推理分类法(reverse causal probabilistic inference classification algorithm, RCPIC)。将3个分类算法与KNN（K-Nearest neighbor）和SVM（support vector machine）算法进行实例对比验证，研究结果表明：FCPIC算法、可取度分类算法和RCPIC算法简单有效、具有可行性和实用性，且可取度分类法和RCPIC算法性能优于SVM和KNN算法，FCPIC算法对实际数据预测中必要类有查全需求的情况更优。研究结论丰富了因素空间的理论研究和应用价值。

基于多粒度犹豫模糊语言术语集的TOPSIS决策方法研究

2024年07月05 00:00

为了解决在实际决策时，由于知识背景不同决策者采用不同粒度语言术语集来表达而导致决策结果不准确的问题，本文提出了一种基于多粒度犹豫模糊语言术语集的逼近理想解排序（technique for order preference by similarity to ideal solution, TOPSIS）决策方法。首先选用各术语集中的最大粒度作为标准粒度，通过转换算法将每个决策者的语言术语集转换到同一标准粒度下进行集结，得出相应的隶属度语言术语集；然后结合TOPSIS方法，计算每个备选方案与正、负理想点距离，以相对贴近度的大小排序实现最优方案的选择；最后，通过一个实例，验证该方法的可行性和优越性。本文所提方法可应用于最优方案的选择问题中，提升决策结果准确度。

基于YOLOX的类增量印刷电路板缺陷检测方法

2024年07月05 00:00

为了应对更加实际的增量式印刷电路板缺陷检测场景，本文将知识蒸馏与YOLOX相结合，提出了一种基于YOLOX的类增量印刷电路板缺陷检测方法。在只使用新训练数据的情况下，模型能够检测出所有学过的缺陷类型。通过对模型的输出特征和中间特征使用知识蒸馏来促进旧缺陷类别知识的传递，使得学生模型能够有效保留教师模型在旧缺陷类别上的检测性能。实验结果表明，本文方法能够显著缓解增量学习过程中的灾难性遗忘问题，在两阶段增量场景下，模型对所有缺陷的平均检测精度为88.5%，参数量为25.3×10⁶，检测速度为39.8 f/s，便于工业设备部署的同时，可以满足增量式检测场景下印刷电路板(printed circuit board, PCB)质检的检测精度和检测速度要求。