新产线或新机型上线时，缺陷样本往往只有个位数，直接从零训练检测模型既不经济也不稳定。本期实验室围绕「跨产线迁移」做了一组工程化实验，把问题拆成三步：域差异度量、小样本微调、上线后回流迭代。
做法上，先用成熟产线的数据训练源域模型，再对新产线的相机、光源、工装差异做显式对齐（亮度与色温归一、几何配准、背景掩膜），仅用少量缺陷样本微调分类头；同时以正常样本的无监督异常检测作为兜底通道，避免漏检被小样本带偏。上线后按置信度分层抽样，把产线真实样本按周回流，阈值随批次波动自动重标定。
要点：
1）进展：在 3C 结构件表面检测场景中，新产线仅提供约 20 张缺陷样本即可达到可试运行水平，冷启动周期由原本的数周缩短至数天；实验环境下误报相对单产线基线下降约三成。
2）下一步：验证跨厂区迁移的一致性，并补充光源变更、镜头更换等扰动场景的鲁棒性测试。
该方法不追求通用大模型式的泛化，而是把「产线差异」当作一等公民来处理，适合多产线、多机型的行业方案落地。
评论