在3C结构件与注塑外观件产线上，新品导入初期常遇到一个现实问题：良品图容易收集，缺陷图却只有个位数，甚至为零。计算机视觉实验室近期围绕「只用正常样本建模」的异常检测做了一轮工程化验证。
基本思路是：用预训练主干提取图像的局部特征，与正常样本构成的记忆库做距离度量，缺陷以「偏离正常分布」的形式被检出，因而不依赖缺陷类别的标注。冷启动阶段先用产线实拍良品建立基线，再用少量已知缺陷做阈值标定与误报回溯，形成可迭代的闭环。
要点：
- 进展：在某注塑外观件试点中，用约 800 张良品图建立基线，配合不足 20 张缺陷样本标定阈值，对划伤、脏污、缺料三类主要缺陷的检出率进入可上线区间，过杀率控制在个位数百分比，漏检主要集中在低对比度的浅划伤。
- 下一步：验证多机台、多光照条件下的记忆库更新策略，以及良品分布随模具磨损缓慢漂移时的自适应阈值机制，目标是减少人工重标定频次，让模型在换型后数小时内可用。
评论