AI视觉异常检测定制：正常样本建模与过杀控制

冲压、注塑类表面缺陷的冷启动难题在于：坏件样本太少，监督式检测训不起来。计算机视觉实验室近期在一批结构件产线上，尝试只用正常样本建模的异常检测路线。

做法是先稳定输入：固定工位光源与相机角度，对齐ROI，抑制批次间的亮度漂移；再用特征嵌入比对的方式建立正常样本特征库，输出异常分数与热力图，供质检员定位复核。阈值不按经验拍，而是按过杀率反推——先采集数天OK图拟合分数分布，初值设在P99.5，再按每周复判结果回收调整。

• 进展：某冲压线连续三周、约1.2万张OK样本的实验里，凹陷类缺陷出现2例漏检；过杀率从初版6.8%降至1.9%，复判工位可以承受。
• 下一步：引入少量已确认缺陷样本做分数校准，把热力图区域与缺陷类型做弱映射，降低人工从热力图到判定结论的转换成本。