基于CT图像的锂离子CAT蓄电池结构异常诊断PCA重建残差分析

1. 引言

• 直接在二维CT投影图像上开发了一种结构异常诊断框架，避免了完整的三维重建，降低了传统基于CT的结构分析的计算和后处理要求。
• 仅使用正常训练图像构建PCA正常结构模型，并通过像素级重建残差突出显示局部结构偏差，减少了对异常训练样本和大量人工标注的依赖。
• 通过联合分析残差强度和空间分布特征来识别结构异常，并通过参数敏感性分析、同一循环电池内的后期评估以及与参考方法的比较，进一步检验所提方法的性能和鲁棒性。

2. 实验与数据获取

2.1. 电池样本与加速循环测试

磷酸铁锂（LFP）电池因其高热稳定性、长循环寿命和良好的安全性而被选中，这促进了它们在电动汽车和储能应用中的广泛使用。一个18650磷酸铁锂电池（GZNF18650HP-1800mAh，中国钦州广西卓能新能源科技有限公司）标称电压为3.2 V，标称容量为1.8 Ah，接受了加速循环测试。该电池在实验前是全新的且未使用过，初始实测容量为1.83 Ah。另一个同类型的全新电池，初始实测容量为1.86 Ah，用于构建PCA正常结构模型。测试在25 °C的环境温度下使用CE-6012A-5V200A-H电池测试系统（中国深圳纽威）进行。在5 C放电过程中未采用主动电池温度控制。实验平台如图所示图1.

图1。电池循环测试实验平台。
为了加速电池老化并缩短实验周期，采用了由1C充电和5C放电组成的高倍率循环协议。该协议被用作加速老化条件，而非代表电动汽车的运行工况，目的是获得具有可观察内部结构变化的电池，以便进行后续的CT结构分析。在充电过程中，电池首先以1C的恒定电流充电至3.65 V，然后以恒定电压充电，直到电流降至0.05 C。在放电过程中，电池以5C的恒定电流放电至2.5 V。在充电和放电阶段之间设置了10分钟的静置期。电池共经历了400次充放电循环。
在循环测试前以及循环100、200、300和400次后，分别进行了容量测试、增量容量分析和CT扫描。每次CT扫描前，电池均调整至100% SOC，并在成像前静置超过24小时。在每次容量测试期间，电池以0.1 C的恒定电流放电至2.0 V的截止电压。放电增量容量曲线是根据每次容量测试的最终恒流放电段计算得出的。容量-电压数据以1 mV的间隔进行重采样，并使用Savitzky–Golay滤波器（窗口大小为31点，三阶多项式）进行处理，以获得放电增量容量曲线。

2.2. CT图像采集与重建

锥束CT基于X射线在不同材料中的差异化衰减。当X射线穿过电池时，其强度受材料成分、密度和传播路径长度的影响。由于电池外壳、电极、隔膜和内部空隙之间的X射线衰减存在差异，这些组件在二维投影图像中呈现出不同的灰度响应。在扫描过程中，电池被连续旋转，并使用平板探测器在多个角度获取投影图像。随后对这些投影进行重建，以获得电池内部结构的3D体积数据和横截面图像。
使用自主研发的锥束CT系统对电池进行无损成像，如图2所示该系统主要由微焦点X射线源、平板探测器、精密旋转台以及相关的控制和图像采集单元组成。采用了一台Hamamatsu L11831 90 kV微焦点X射线源（Hamamatsu Photonics K.K., Hamamatsu, Japan）。平板探测器为iRay NDT 0505J低噪声探测器（iRay Group, 上海, 中国），有效成像区域为13 cm × 13 cm，像素矩阵为1536 × 1536，像素尺寸为85 μm。投影图像以16位深度记录。使用一台Yunke Instruments HGC3精密旋转台（Yunke Instruments, 德州, 中国），其重复定位精度为0.01°，用于控制电池旋转。

图2。自主研发的锥束X射线CT检测平台。
扫描过程中，X射线管电压和电流分别设定为80 kV和80 μA，对应输出功率为6.4 W。每张投影的曝光时间为5秒。在每个角度位置采集一帧投影，未进行帧平均处理。源到旋转中心距离和源到探测器距离分别为135和495 mm。这些距离对应的几何放大率约为3.67，物体侧采样间隔约为23.18 μm。电池垂直安装在旋转台上，感兴趣区域位于有效视野范围内。每隔0.5°旋转角度获取一张二维投影图像，在360°全旋转过程中共获得720张投影图像。为确保不同循环阶段之间的可比性，电池始终保持相同的轴向位置和垂直方向，同时在循环前以及循环100、200、300和400次后，系统的几何结构和成像参数均保持不变。由于每次扫描都覆盖了完整的360°旋转，电池初始周向方向的差异仅改变了投影序列的起始位置，不会影响投影角度的覆盖范围。
由于有效探测器面积和系统几何结构的限制，无法在保持足够图像清晰度的同时，通过单次扫描捕捉到电池的全部长度。因此，选择电池的上部主体作为主要成像区域，以最大化探测器视野内内部电极结构的比例。底部区域通过将电池倒置进行了额外扫描；然而，这些数据未被纳入后续分析，以避免图像拼接误差，并保持所有老化阶段视野的一致性。因此，本研究仅使用了来自固定上部区域的投影和重建数据。
对获取的投影图像依次进行暗场校正、平场校正、对数变换和几何校正，以减少探测器背景响应、像素响应不均匀性以及系统几何偏差的影响。探测器偏移参数通过在预定义范围内进行由粗到精的搜索来校准。使用重建的中心切片对候选值进行评估，并根据结构清晰度和伪影抑制效果通过目视检查确认最终值。由于CT系统几何结构在整个实验过程中基本保持不变，该参数在各扫描中几乎保持恒定。随后，使用TIGRE工具箱中实现的Feldkamp–Davis–Kress (FDK) 锥束CT算法对校正后的投影图像进行重建。采用Ram–Lak滤波器进行滤波反投影。重建体积由1536 × 1536 × 1536个体素组成，各向同性重建体素尺寸为23.18 μm。相同的重建几何结构、体素尺寸、重建范围和滤波参数被应用于所有循环阶段，为后续比较内部结构变化提供了统一的基础。

3. 基于PCA重构残差的结构异常诊断

3.1. ROI定位与提取

圆柱形电池的正极、负极和隔膜绕中心轴卷绕形成卷芯。在反复的充放电循环过程中，与锂离子嵌入和脱嵌相关的体积变化会导致卷芯内部机械应力的逐渐累积。先前的CT研究表明，循环诱导的变形在靠近中心空腔的最内层绕组中尤为明显[11,28,29]。这可能与中心区域的内部支撑相对较弱有关，而外层卷绕层则受到相邻层和电池外壳的额外约束。然而，变形的起始和空间分布也可能受到极耳位置、局部结构不均匀性和机械约束的影响[11]。因此，本研究将中心区域视为检测循环诱导结构变化的敏感区域，而非卷绕变形的唯一起始点。
此外，卷轴电池的中心通常具有边界清晰的空腔区域、结构特征简单以及灰度分布相对稳定等特点。当电极向内弯曲、起皱或局部侵入该区域时，原本空腔区域内会出现新的投影特征和明显的灰度变化。这些变化受外围区域多性向电极层叠加的影响较小，因此在PCA重建残差中更容易被突出显示。直接对整个投影图像进行建模会引入来自稳定背景和外围结构的显著干扰，从而降低局部异常的相对贡献。因此，选择电池中心及其周围的损伤结构作为感兴趣区域（ROI）。
为了减少CT扫描中电池放置微小差异的影响，ROI是相对于电池本身定位的，而不是使用固定的图像坐标。由于电池主体与周围深色背景之间存在明显的灰度对比，电池投影的左右边界可以轻松识别。以其中点作为ROI定位的水平中心。随后，以该位置为中心，设置了一个宽度为161像素的固定宽度ROI。ROI的宽度是根据中心中空区域及其相邻的最内层伤口层的宽度来选择的，这样既保留了对向内弯曲、皱褶和结构侵入最敏感的区域，又排除了过多的外围结构。
在垂直方向上，使用了801像素的固定ROI高度。下边界与电池投影的最低有效区域对齐，而上边界则选择在投影中心销区域下方，从而将中心销的边缘排除在ROI之外。这种设计减少了不同扫描之间电池高度和轴向位置差异的影响。由于普通圆柱形电池的中心区域在该轴向范围内的结构变化有限，因此垂直位置的微小差异预计不会显著改变用于诊断的正常结构模式。
采用这种定位策略，ROI始终保持在电池中心，避开了中心销敏感的边缘位置，从而减少了不同扫描之间水平位移和轴向位置差异的影响。在所有研究的循环阶段，对新鲜电池和循环电池的所有投影图像均采用了相同的ROI尺寸和定位程序。所选ROI如图所示图3.

图3。电池投影图像中的感兴趣区域。

4. 结果与讨论

4.1. 电池老化分析

电池在循环前以及循环100、200、300和400次后的实测容量分别为1.83、1.59、1.46、1.32和1.26 Ah，对应的容量保持率约为100%、86.9%、79.8%、72.1%和68.9%。电池容量随循环次数的增加而持续下降。经过400次高倍率循环后，容量较初始值下降了约31.1%，表明存在明显的循环衰减。在前100次循环期间，容量损失相对较快，此后容量继续下降，尽管不同循环阶段的衰减速率有所不同。
如图所示图4循环前电池的放电增量容量曲线在约3.15、3.24和3.29 V处呈现出明显的特征峰。其中，3.29 V附近的高压峰最为尖锐且强度最高。随着循环次数的增加，3.20–3.30 V范围内的特征峰整体呈现减弱趋势。特别是3.29 V附近的峰值持续下降，衰减最为显著。3.24 V附近的峰值也明显减弱，尽管在不同老化阶段观察到一些波动。同时，相邻的峰值逐渐变宽并日益重叠，峰间的谷值变得更浅，最初尖锐且分离良好的峰逐渐演变为更宽的多峰轮廓。相比之下，3.15 V附近低压峰的变化相对较小，且并未随循环次数呈现严格的单调变化。

图4。电池在循环前以及循环100、200、300和400次后的放电增量容量曲线。
对于磷酸铁锂（LFP）/石墨全电池，增量容量曲线中的特征峰反映了正极两相反应与石墨负极分阶段脱锂转变的耦合响应。峰强度和峰面积的整体下降表明，对应电压范围所贡献的可逆容量逐渐减少。这些变化可能与先前研究中报道的锂库存损失和活性物质损失等降解过程有关；然而，本研究并未独立量化这些机制，因此应将其视为可能的解释，而非直接验证的降解模式。峰位偏移、峰宽增加以及相邻峰之间重叠的加剧，表明电极反应在更宽的电压范围内呈现分布状态。这些变化可能与极化增加、阻抗增长、传输限制或局部反应动力学异质性有关，但目前的测量结果无法将这些贡献明确区分开来。总体而言，增量容量曲线的演变与观察到的容量衰减一致，反映了循环过程中渐进的电化学降解，而未将这些变化归因于特定的主导机制[33].
二维投影图像与CT重建横截面切片的对比见图5结果表明，在循环前，电池中心区域保持着明显的空心结构，电极层排列相对平直。循环100次后，部分电极层向中心空腔偏移，导致局部侵入和不规则弯曲。CT重建的横截面切片进一步揭示，循环前，卷芯层呈现出相对规则的同心排列，层间结构清晰可辨。循环100次后，中心区域出现明显的层间褶皱和局部剧烈弯曲，破坏了原有的同心卷绕结构。二维投影图像与CT重建结果相互印证，表明卷芯中心附近存在明显的循环诱导结构变形。

图5。循环前和循环100次后的二维投影图像与CT重建横截面切片的对比。（）循环前的二维投影图像；（）循环100次后的二维投影图像；（）循环前的CT重建横截面切片；（) 100次循环后的CT重建横截面切片。c) CT-reconstructed cross-sectional slice before cycling; (d) CT-reconstructed cross-sectional slice after 100 cycles.
进一步对比循环前以及循环100、200、300和400次后的CT重建截面切片和中心区域放大视图，如图6所示，表明中心结构最初是规则的，伤口层排列均匀，没有明显的皱纹。经过100次循环后，中心腔一侧的一些电极层向内弯曲，形成了明显的波浪状皱纹。随着循环次数的增加，中心区域的多层弯曲持续存在，而皱纹形态和受影响伤口层的范围继续演变。

图6。不同循环阶段的CT重建横截面图像及中心区域放大图。虚线框表示对应放大图中显示的区域。
部分电极层出现了局部曲率较大的尖锐弯曲，表明在卷芯中心附近存在严重的局部结构变形。这些结构变化伴随着持续的容量衰减和电化学性能退化，这从增量容量曲线中特征峰的衰减、展宽和偏移可以得到体现。综合来看，这些观察结果表明，高倍率循环与电池内部结构完整性的逐渐退化之间可能存在关联。从安全角度来看，严重的局部变形可能会增加电极-隔膜组件内部的机械应力。以往的研究表明，电池隔膜的机械失效可能引发内部短路，并且在极端条件下，可能导致局部发热和热失控[13,14,15]。然而，本研究并未直接调查隔膜损坏、内部短路和热失控问题，且观察到的结构变形与这些安全后果之间的关系仍需进一步的实验验证。

4.2. PCA 重建残差分析与异常特征选择

分析中使用了两种相同类型的电池。从新鲜电池中获取的 720 张投影图像被用于建立 PCA 正常结构模型。对于循环电池，从循环前数据集以等角度间隔均匀采样 90 张投影图像，作为正常状态校准集。另外 90 张投影图像从 100 次循环数据集单独采样，并与循环前校准集一起用于候选特征评估。然而，固定决策阈值仅根据循环前正常状态校准集确定。PCA 模型保留了 100 个主成分，占累计解释方差的 91.68%。
图7展示了循环前和循环100次后的代表性标准化ROI、PCA重建图以及残差平方图。循环前ROI的主要结构特征被准确重建，导致残差相对较弱且分布稀疏。相比之下，循环100次后，局部条纹图案和结构边界偏离了PCA模型学习到的正常结构特征，产生了更强且在空间上更连续的残差响应。这些结果表明，重建残差平方值可以有效突出循环引起的局部结构变化。由于残差是基于z分数标准化的图像计算得出的，因此重建残差平方值是无量纲的。所有代表性图像均使用相同的残差颜色刻度，以便于循环前和循环后条件之间的直接视觉比较。

图7。循环前和循环100次后代表性感兴趣区域、PCA重建和残差平方图的对比：（）循环前；（）循环100次后。b) after 100 cycles.
图8比较了循环前和循环100次条件下六个候选特征的分布。单个投影级观测值叠加在箱线图上，以便更直观地展示数据分布以及两种条件之间的重叠情况。[数学处理错误]MSE, [数学处理错误]P95, [数学处理错误]P99, [数学处理错误]Amax和[数学处理错误]η循环后显著增加，而连通分量的中位数[数学处理错误]NC从329降至60。残差强度特征的增加表明，循环诱导的结构变化降低了正常结构模型的重建精度。同时，……的增加[数学处理错误]Amax和[数学处理错误]η，连同……的减少[数学处理错误]NC，表明高残差像素从大量细小且孤立的区域转变为数量更少、面积更大且空间上更连续的簇。

图8.循环前和循环100次后候选特征的箱线图。单个点代表不同角度位置的投影级观测值。蓝色和橙色分别代表循环前和循环100次后的条件。
图9比较了六个候选特征的 |d| 值。在这六个候选特征中，[数学处理错误]NC表现出最强的判别能力，在循环前和100次循环特征评估集之间的绝对标准化均值差为9.332，AUC为1.000。[数学处理错误]NC在90个循环前校准投影中，其值范围为285至423，而在100次循环特征评估投影中，其值范围为7至120，两个分布之间没有重叠。因此，[数学处理错误]NC被选为主要诊断特征。

图9。六个候选特征的绝对标准化均值差异。
为了避免使用老化状态信息来确定阈值，固定的决策阈值完全源自正常状态的校准数据。由于较低[数学处理错误]NC数值表示更大的结构偏差，保守的下限决策界限定义为
[数学处理错误]NC,th=μnormal−3σnormal
(15)
其中[数学处理错误]μnormal和[数学处理错误]σnormal表示均值和标准差[数学处理错误]NC分别在90个循环前校准投影中。均值和标准差分别为337.39和32.58，从而得出一个固定阈值[数学处理错误]NC,th=239.66。投影值小于[数学处理错误]NC≤NC,th的被归类为结构异常，而值较大的则被归类为正常。采用三倍标准差准则作为保守的基于正常数据的下限决策界限，而非基于精确高斯分布的假设。为了进一步检查正常状态的变异性和假阳性行为，随后将该固定阈值应用于剩余的630个未用于阈值校准的循环前投影中。它们的[数学处理错误]NC值范围为274至441，均值为342.52，标准差为32.71。这些投影中没有一个低于[数学处理错误]NC,th，且未观察到任何假阳性分类。由于这些投影代表来自同一CT扫描的相关角度视图，因此应将此结果解释为对正常状态变异性的投影级评估，而非独立的细胞级特异性。
在随后的循环后评估中，PCA模型、残差处理参数、选定特征和固定决策阈值均保持不变。尽管如此，该阈值仍应被视为特定研究的决策规则，其在额外独立细胞、批次、操作条件和成像系统中的稳健性仍需进一步评估。

4.3. 后续循环阶段的评估

为了检验基于正常数据的决策规则在后续循环阶段是否仍然适用，将固定的PCA模型、残差处理参数、选定的特征和决策阈值应用于100、200、300和400次循环后获取的投影图像。为了进行特征分布比较，从每个循环阶段以相等的角度间隔均匀采样了90个投影。此外，使用固定的决策规则对200、300和400次循环后获取的所有720张投影图像进行了评估。100次循环的数据集用于候选特征评估，但不用于阈值确定，而200、300和400次循环后获取的数据集未参与PCA训练、特征选择或阈值确定。
图10展示了六个特征在循环前以及循环100、200、300和400次后的分布情况。箱线图上还叠加了单个投影层级的观测值，以说明每个循环阶段残余特征的分布。与循环前相比，[数学处理错误]MSE, [数学处理错误]P95，以及[数学处理错误]P99在所有循环后阶段均显著升高，且最高值通常出现在循环后期阶段。[数学处理错误]Amax和[数学处理错误]η的值在循环后也普遍升高，尽管在不同阶段有所波动。这些变化表明，高残余区域的空间聚集不仅受结构退化程度的影响，还受局部变形形貌和投影角度的影响。在这六个特征中，[数学处理错误]NC保持了循环前和循环后条件之间最清晰的分离。其中值从循环前的329降至100次循环后的60，并在200、300和400次循环后分别保持在63、73.5和52。尽管[数学处理错误]NC没有随循环次数单调下降，但其在所有循环后阶段的数值与循环前的数值仍保持明显分离。这些结果与第4.2节中的特征选择分析一致，并支持使用[数学处理错误]NC用于区分正常结构状态与循环诱导的结构异常。

图10.不同循环阶段PCA重构残差特征的分布。单个点代表不同角度位置的投影级观测值。蓝色、橙色、绿色、红色和紫色分别代表0、100、200、300和400个循环。
如图11所示，中位数和整个四分位区间[数学处理错误]NC在循环之前，它们高于固定的决策阈值，而100、200、300和400次循环后的则保持在阈值以下。当固定的诊断规则应用于后续每个阶段的全部720张投影图像时，200、300和400次循环后获取的所有投影都被归类为结构异常。这一结果表明，固定的诊断规则在后续循环阶段的所检查投影视图中提供了连贯的结构状态分类。

图11。变化[数学处理错误]NC以及不同循环阶段的固定决策阈值。
需要注意的是[数学处理错误]NC与循环次数之间并未表现出单调关系。因此，[数学处理错误]NC更适合用于区分正常和结构异常状态，而非独立量化结构退化的严重程度。残差强度特征，包括均方误差（MSE），[数学处理错误]P95，以及[数学处理错误]P99，可作为描述循环过程中结构变化整体演化的补充指标。为了更简洁地概述电池在循环过程中的状态演化，不同循环阶段的主要电化学参数和代表性重构残差特征总结在表1中。残差特征值以每个阶段90张均匀采样投影图像的中位数形式报告。
表1。不同循环阶段的主要电化学和残差特征参数。

为了评估ROI定位对水平位移的鲁棒性，使用450张投影图像进行了受控平移扰动测试，其中包括从五个循环阶段中均匀采样的90张投影。每张完整投影在±300像素范围内随机进行水平平移，新暴露的区域填充为零强度。平移后，独立重新检测电池边界和中心，重新提取ROI，并在不修改模型或处理参数的情况下重复PCA重建残差分析。对于所有450张投影，重新估计的电池中心与平移后的预期位置一致，水平定位误差为0像素。[数学处理错误]NC翻译前后的数值表现出0.9984的皮尔逊相关系数和2.14的平均绝对差值。此外，当应用先前确定的固定决策阈值时，所有450张图像的投影级分类结果保持不变。这些结果表明，所提出的ROI定位程序在测试的水平平移下保持了稳定的诊断响应。

4.4. 参数敏感性分析

为了评估所提方法对参数选择的稳健性，对保留的PCA主成分数量、残差百分位数阈值以及主要残差后处理参数进行了敏感性分析。采用了每次仅改变一个因素的策略，同时保持其余处理参数不变。除了绝对标准化均值差|d|，它表征了循环前与100次循环之间的整体分离度[数学处理错误]NC分布，引入了分离间隙来量化它们最近分布边界之间的分离度。由于循环前[数学处理错误]NC的值始终高于100次循环时的值，分离间隙计算如下：
[数学处理错误]Gsep=NC,minpre−NC,max100
(16)
其中[数学处理错误]NC,minpre表示循环前特征评估中的最小[数学处理错误]NC值，并且[数学处理错误]NC,max100表示最大值[数学处理错误]NC100周期特征评估集中的值。较大的分离间隙表明预循环和100周期特征分布之间的分离度更宽。
当残差百分位数阈值固定为90%时，保留的PCA组件数量从50个变化到150个。相应的敏感性分析结果总结在表2中。随着组件数量的增加，|d| 呈现出整体上升趋势，而分离间隙虽然出现了一些波动，但始终保持较大且为正值。这表明在测试的PCA组件数量范围内，预循环和100周期特征评估集的[数学处理错误]NC分布保持着良好的分离状态。
表2。保留主成分分析（PCA）分量的数量敏感性分析。

在主成分分析（PCA）组件数量固定为100的情况下，残差百分位阈值进一步从85%变化到95%。相应的结果展示在表3中。随着百分位阈值的增加，|d| 呈现出整体下降趋势，而分离间隙则先略有增加，随后显著下降，这表明过高的百分位阈值会缩小预循环与100次循环[数学处理错误]NC分布之间的分离裕度。尽管如此，在整个研究范围内，分离间隙始终保持为正值，且两个特征分布保持不重叠。因此，本研究采用100个PCA组件和第90百分位阈值作为基准参数设置。
表3。残差百分位数阈值的敏感性分析。

敏感性分析进一步扩展到四个残差后处理参数，包括高斯滤波器标准差（[数学处理错误]σG）、形态学闭运算核大小（[数学处理错误]Kclose）、连通分量连通性（[数学处理错误]Cconn），以及最小连通分量面积阈值（[数学处理错误]Amin结果总结如下表4在所有测试配置中，AUC保持为1.000，分离间隙始终为正值，表明预循环和100次循环的特征分布不重叠。尽管绝对效应值和分离间隙随参数设置而变化，但在所研究的范围内，观察到的结构状态分离始终得以维持。
表4。残差后处理参数的敏感性分析。

4.5. 与参考方法的比较

为了进一步评估所提出的基于PCA的方法，引入了均值图像重建、卷积自编码器和单类支持向量机（OCSVM）作为参考方法。均值图像方法使用正常训练图像的像素级平均值作为固定模板，而自编码器则从正常图像中学习非线性重建映射。对于OCSVM，每个标准化ROI都被投影到相同的100维PCA子空间中，并使用RBF核OCSVM（v= 0.05, γ = scale) 仅使用新鲜细胞的正常投影进行训练。负决策函数值被用作异常评分。相比之下，PCA 使用低维线性子空间表示正常结构变化，并通过重建残差检测结构偏差。为了公平比较，所有方法均使用相同的训练和特征评估数据集、ROI 定义以及图像标准化。基于重建的方法进一步使用了相同的残差处理程序和候选残差特征，定义在第3.3节。对于每种基于重建的方法，选择具有最大 |d| 的特征进行比较。由于不同方法的诊断特征具有不同的数值尺度，因此[数学处理错误]Gsep不同方法之间不可直接比较；此处仅用其符号来指示两个特征分布是否重叠。
如图所示表5，基于PCA的方法在所有评估方法中实现了1.000的AUC和最大的绝对效应量。均值图像和自动编码器基准显示出较低的判别能力，且循环前和100次循环的特征分布存在重叠，而PCA和OCSVM均产生了不重叠的特征分布，AUC均为1.000。尽管如此，所提出的PCA重建残差方法产生的效应量（|| = 9.332）显著大于OCSVM（|| = 4.695)，表明在当前实验条件下分布分离度更强。此外，与OCSVM生成的标量异常评分不同，重构残差框架保留了结构偏差的空间信息，并能直接可视化对诊断响应有贡献的图像区域。PCA涉及的模型特定超参数也比OCSVM更少，且与自动编码器不同，它不需要迭代的神经网络训练。d| = 4.695), indicating stronger distributional separation under the present experimental conditions. In addition, unlike the scalar anomaly score produced by OCSVM, the reconstruction-residual framework preserves spatial information on structural deviations and enables direct visualization of the image regions contributing to the diagnostic response. PCA also involves fewer model-specific hyperparameters than OCSVM and, unlike the autoencoder, does not require iterative neural-network training.
表5。不同异常检测方法的比较。

5. 结论