小样本工业视觉异常检测的实验进展

工业视觉检测的常见难点是缺陷样本稀缺：产线上绝大多数产品为良品，缺陷图像往往只有几十张，难以支撑传统监督学习的训练需求。本阶段实验围绕小样本条件下的异常检测方法展开，思路是“只用良品建模”：基于预训练特征提取网络构建正常样本记忆库，推理时通过特征距离度量定位异常区域，无需大量缺陷标注。
在合作工厂提供的金属冲压件数据集上完成初步验证，要点如下：

• 仅用180张良品图像构建模板库，在含划痕、压伤、脏污三类缺陷的测试集上，缺陷区域召回率91%，单张误报率约2.1%，边缘端GPU推理耗时47ms；
• 相比传统监督方案，标注工作量下降约80%，新增缺陷类型时无需重新训练，补充良品样本即可。

当前方法对光照变化仍较敏感，高反光表面存在局部误报。下一步将开展多光照鲁棒性实验，并与偏振成像方案对比，评估其在金属、玻璃等反光场景的适用性。初步判断：该路线适合缺陷样本极少、类型多变的产线冷启动阶段，可作为监督式检测方案的前置补充。