在精密装配与多品种小批量生产中，单一缺陷类别的有效样本往往只有几十到上百张，传统监督模型难以稳定收敛。我们与一家医疗耗材制造商合作，尝试以少样本学习方法构建视觉质检模块。
近两周进展要点：
- 采用视觉-语言预训练模型提取通用工业纹理表征，配合原型网络在 5-shot 设定下完成 12 类外观缺陷分类，验证集平均 F1 达到 0.78；
- 引入基于 ControlNet 与缺陷掩码叠加的合成样本生成，将最稀缺 3 类缺陷的召回率由 0.41 提升至 0.66；
- 在 Jetson Orin Nano 边缘端完成推理优化，单张图像端到端耗时 < 280ms，初步满足产线节拍；
- 漏检与过杀成本差异显著，下一步将引入业务成本矩阵对决策阈值做联合寻优；
- 计划在 Q3 增加跨产品族迁移实验，验证模型对新品的冷启动能力。
当前仍处于内部灰度阶段，目标是把流程沉淀为可复用的少样本质检方法模板，覆盖更多数据条件相似的客户。
评论