在3C结构件与新能源零部件的视觉质检中，新产线冷启动阶段通常只有几十张正常样本，缺陷样本稀缺，传统监督检测器难以收敛。计算机视觉实验室近期围绕「异常检测 + 合成缺陷」的少样本路线做了阶段性验证。
方法上分两步：先以正常样本训练无监督分支，输出像素级异常热力图；再按缺陷形态先验用扩散模型合成划痕、脏污、压伤等稀有样本，与真实正常样本混合微调判别分支，使模型从「只见过正常」过渡到「能区分缺陷类型」。部署侧保留热力图阈值与分类置信度的双通道判定，阈值由历史批次分位数自动标定，减少人工调参。
进展：在阳极氧化外壳与极柱焊接件两类工件上离线对比，仅用约50张正常样本与200张合成缺陷，检出率由纯异常检测基线的82%提升至94%，误报率由5.6%降至2.1%，分类分支对划痕与脏污的区分准确率约88%。
下一步计划：将合成缺陷的形态先验由人工配置改为缺陷描述文本驱动，并验证换型后无需重新采集缺陷样本的迁移能力。
评论