纺织验布长期依赖人工在灯箱前逐米目检，漏检率与班次疲劳强相关。AI落地这里的第一道坎往往不是模型精度，而是样本：花型、组织、克重一变，历史缺陷图基本作废，按传统监督训练每换一缸布就要重新标注，成本无法承受。
我们的实验思路是把检测拆成"异常发现"与"缺陷判级"两段。前段只用正常布面训练特征记忆库，输出逐像素异常热力图，不依赖任何缺陷样本；后段在每品种积累20~30张缺陷样本后，训练轻量分类头，区分破洞、纬缩、油污、色差等常见类别，并按四分制输出位置与等级。针对针织物自相似纹理导致的误报，加入纹理抑制与多尺度对齐。
进展：在内部测试集上覆盖60余个面料品种，冷启动阶段的异常检出率约九成，判级一致率约82%；过杀主要集中在前30米布头，已通过首尾段阈值放宽缓解。
下一步计划验证跨品种特征迁移，并把在线漂移监控（光源衰减、布速波动）纳入闭环，减少人工复标频次。
评论