AI视觉缺陷检测：小样本冷启动与误检抑制

在《计算机视觉实验室》近期实验中，我们针对“新品无样本”这一产线常见起点，尝试用小样本冷启动流程替代传统的大批量标注训练。做法是：先用正常样本训练无监督重建基线（PatchCore 类方法），仅需 15~30 张良品图即可产出初版模型；再把产线判为可疑的图片回流，由工艺人员做一次“是/否”确认，形成增量微调集，避免从零标注。为抑制误检反复触发停机，我们引入两级阈值：低阈值只告警不拦截，高阈值才触发剔除，阈值随连续确认结果小幅浮动。

· 进展与数据：在某冲压件表面检测试点中，首周误检率约 6.8%，冷启动并经过三轮回流后第三周降至 2.1%，漏检率未上升；单次增量更新耗时约 12 分钟，不需重训主干网络。
· 下一步计划：将阈值与缺陷最小尺寸、光学分辨率做联动标定，并在反光、油污两类干扰样本上验证稳定性，同时评估多相机工位下的样本共享策略。