新产线冷启动是工业质检的老问题：开机初期缺陷样本往往只有十几到几十张，而不同产线的光照、相机角度与材质反光差异明显，直接把旧线模型迁过去常常掉点严重。本期计算机视觉实验室围绕“少样本冷启动”做了一组对照实验，想先摸清视觉基础模型在跨产线场景下的可用边界。
思路是用大规模工业图像预训练的主干提取通用特征，冻结主干、只训练轻量适配层与判定阈值头，再用旧产线的正常样本做一次域对齐，缓解新线缺陷样本不足带来的过拟合。
进展与数据：在内部3条产线、5类表面缺陷的离线回放中，每类仅提供20张样本时，缺陷召回由常规微调基线的62%提升至81%，但误检率同时上升约1.8个百分点，尚未达到可无人值守的水平。
下一步计划：引入正常样本自监督预训练以压低误检，并将产线复检结果作为难例回流，形成周级迭代闭环，再评估是否具备小批量试点条件。
评论