AI小样本缺陷检测定制：跨产线域偏移与提示微调

工业视觉里，缺陷样本稀缺与跨产线域偏移常同时出现：新产线刚导入时往往只有几十张缺陷图，而光照、相机角度、材质批次又与旧产线不同，直接复用旧模型误报明显上升。

本实验室近期在一项 3C 结构件表面检测实验中，尝试用轻量提示微调替代整网重训：冻结视觉主干，只学习少量提示向量与分类头，并配合光照归一化与基于泊松融合的缺陷样本合成，用于缓解目标域样本不足。

要点

• 阶段进展：源产线 2400 张图像、目标产线 46 张缺陷图 + 300 张正常图的离线条件下，漏检率 2.1%、误报率 6.8%；同条件下全量微调为 3.4% 与 9.5%，且单次适配耗时由小时级降至十余分钟。样本量偏小，结论仅限于该批次离线验证。
• 下一步计划：在两条真实产线上做影子运行，观测换型、擦拭与光源衰减引起的漂移，并补充跨材质迁移的对照实验，确认该方法的适用边界后再讨论上线。