面料瑕疵AI检测：小样本场景的无监督探索

纺织面料质检长期依赖人工验布，存在效率低、易疲劳、标准不统一等问题；同时疵点种类多、缺陷样本稀少，传统有监督检测模型难以覆盖全部类别。近期实验室围绕该场景开展无监督异常检测实验：用正常布面图像构建参考分布，将偏离分布的区域判定为疑似瑕疵，从而摆脱对大量缺陷标注的依赖。方法上采用特征嵌入加记忆库比对的结构，并针对面料纹理的周期性特点优化位置编码，减少正常纹理被误判为异常的情况。
· 阶段性结果：在两种常见面料约1.2万张正常样本上完成训练，测试集覆盖8类真实瑕疵，像素级召回率约82%，误报率较初版下降约三成；单张图像推理耗时约120毫秒，可满足在线验布初筛的节拍要求。
· 下一步计划：与本地一家面料厂联合开展产线试点，重点验证光照波动与布面张力变化下的稳定性，并配套人工复判界面，将疑似区域按置信度分级推送。初步结论：无监督路线在缺陷样本稀缺的行业具备落地价值，当前定位是辅助初筛，暂不追求替代人工复判。