本期研究聚焦印染企业布匹疵点检测场景。疵点类别多、缺陷样本天然稀缺，传统监督学习难以覆盖全部异常类别。我们采用自监督预训练 + 少样本微调的两阶段路线：先在产线采集的无标注视频帧上训练视觉骨干，再以少量人工标注样本做下游微调。
进展要点：
- 已在 2 家印染厂完成产线视频接入，累计采集无标注帧约 12 万张，覆盖平纹、斜纹与提花三类织物；
- 基于 DINOv2 范式微调的瑕疵分类器在每类 30~50 张样本下达到 mAP 0.78，破洞、油污、色差三类召回率均超过 85%；
- 推理侧评估 ONNX + 边缘 GPU 部署，单帧耗时约 35ms，可满足 30m/min 产线节拍；
- 长尾类别（折痕、纬斜、稀密路）误判率仍偏高，下一步拟引入异常样本扩散合成扩充训练集。
下一步计划：联合工艺端将检测结果回传织机参数，探索从"检出"到"归因"的闭环。
评论