AI视觉跨产线迁移定制：域偏移诊断与光照漂移校正

在表面缺陷检测中，模型在首条产线调通后，换到同型号第二条产线常出现漏检率上升。原因多不在缺陷形态，而在成像域差异：镜头型号、工位高度、光源色温与老化、环境光泄漏，以及相机增益带来的噪声分布变化。计算机视觉实验室将这一问题拆成两步处理。

第一步是域偏移诊断。用同一批标准缺陷样件在两条产线上各采一组图像，分别提取亮度直方图、局部对比度、背景纹理功率谱与噪声方差等低维统计量。若目标域与源域的分布距离超过阈值，即判定为成像域偏移而非缺陷变化，避免盲目重训。

第二步是校正与轻量迁移。优先通过光源亮度与曝光时间回归对齐灰度分布，再对剩余差异使用少量目标域正常样本做特征层对齐（批归一化统计量更新加小步微调），缺陷标注仍沿用源域，无需重新标注。

进展与计划：在三条连接器外观检测线上试点，每线仅用约 200 张无标注正常图完成迁移，缺陷召回由 82% 回升至 94%，重训所需标注量减少约九成；下一步将域偏移诊断固化为产线导入前的成像一致性检查项，并验证换镜头、换光源场景下的稳定性。