AI少样本缺陷检测：产线冷启动的样本策略

计算机视觉实验室近期围绕产线冷启动场景，验证了一套少样本缺陷检测流程。新线体上线时，单类缺陷样本常只有个位数，直接训练判别模型容易过拟合，也难以覆盖换型后的新缺陷形态。

流程分两段：先用产线正常样本建立无监督异常检测基线，得到与缺陷类别无关的偏离度；再用每类 5~10 张标注缺陷微调轻量判别头，并将相机编号、光照档位、工位作为条件输入，降低跨工位串扰。样本侧采用泊松融合在真实背景上合成缺陷，仅对人工复核通过的合成样本放行入训，避免贴图伪影被当作特征学习。

【进展】在两类冲压件与一类注塑件的离线回放中，平均召回 88.4%、误报率 3.1%，冷启动调参时间由约 2 天压缩至 4 小时内；当前漏检主要集中在低对比度划痕与油污干扰。

【下一步】接入在线增量：现场确认的新缺陷自动入库并触发增量重训，同时评估跨产线迁移时的域偏移衰减，明确模型复用边界。上述数据来自实验与离线回放环境，实际产线效果仍需进一步验证。