AI坯布疵点检测实验：自监督预训练与误报抑制

坯布疵点检测长期受两点制约：一是疵点样本天然稀少，二是织物纹理周期性强，正常经纬波动极易被模型误判为缺陷。本期实验尝试用自监督预训练降低对标注的依赖。

做法上，先收集产线未标注图像约 1.8 万张做掩码重建预训练；随后仅用 400 余张标注图微调轻量分割头，并把织物周期作为先验，对特征图做相位对齐后再判疵，用于压制正常纹理带来的误报。

• 阶段进展：在 3 条产线、约 2.4 万米坯布的离线回放中，漏检率由 12% 降至 4.6%，误报由每百米 3.2 次降至 0.9 次；标注量相较全监督方案减少约 80%。
• 下一步：将相位对齐模块迁移到色织、针织等强纹理面料，验证跨材质泛化能力；同时做模型压缩，评估边缘端单帧推理耗时能否稳定在 45ms 以内。