计算机应用研究

作者：陈龙,郭法滨,黄小伟,陆亚师,

单位：合肥大学a.人工智能与大数据学院;b.工业设备状态评估与故障预测技术研发中心,合肥230601；

关键词：异常检测,MobileViT,注意力机制,残差连接,无监督,

基金：国家自然科学基金资助项目(61806068)；安徽省自然科学基金资助项目(KJ2021ZD0118)；；

为解决现有机器声音异常检测方法只关注时域、频域或通道维度的单一特征，忽略了声谱特征与时间序列信息之间的相互联系，以及初始特征丢失导致样本数据分布拟合不准确，从而引发较高的异常漏检率和误报率的问题，提出了一种融合注意力机制和跳跃连接的机器声音异常检测方法ARViTrans。首先，提出了一种三维高效坐标注意力机制，通过特征空间的解耦操作来协同捕捉时域、频域以及通道维度特征。然后，使用Mobile-ViT作为主干网络并设计了RES-MoViT模块代替原有的MobileViT模块，通过跳跃连接捕捉输入和输出之间的信息，更好地拟合样本数据分布，通过梯度回流减少重复学习相似特征参数，提高参数利用效率。最后，在MIMII数据集上的实验结果相较DCASE Task2基线系统的AE和MobileNetV2，AUC分别提高10.14%和10.26%，pAUC分别提高13.40%和6.50%。结果表明，所提方法在保持较低模型复杂度的同时能有效捕捉不同维度特征之间的相互联系，提高异常检测精度并降低误报率。

来源：2025年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第6期