布匹瑕疵检测的难点往往不在算力，而在成像与花型干扰。实验室近期在梭织与无纺布两条产线上做小规模验证：细小结头、油污、异纤这类低对比度缺陷，正打光下与底布的灰度差常不足 5 个灰阶，直接送入模型基本被淹没。我们的做法是把成像与判别拆开处理——先用低角度侧光配合多角度频闪，把缺陷边缘阴影显出来；再在频域对周期性花型做抑制，把织造纹理与随机瑕疵分离，避免模型去学花型本身。
判别环节采用「正样本建模 + 少量标注」的冷启动路径：仅在产线正常布面采样若干米训练异常检测模型，再对已确认缺陷做小样本微调。这样处理的原因是瑕疵种类长尾、标注成本高，早期直接上全监督分类容易过拟合到既有缺陷类型，换花型即失效。
要点
· 进展：在某无纺布产线 60 m/min 速度下，低对比度缺陷召回较原正打光方案提升约 18 个百分点；剩余误报集中在布边褶皱，已用 ROI 掩膜收敛。
· 下一步：做跨机台光照迁移与主动学习采样，把复判环节的人工确认自动回流为训练标注，降低换花型的重标成本。
评论