显示面板AI外观缺陷检测：从人工复判到小样本学习

在显示面板模组段，外观检测长期依赖人工目检。Mura、浅划伤、异色与边缘崩缺等缺陷形态细碎、边界模糊，而产线良率长期偏高又导致缺陷样本稀少，直接训练分类模型容易过拟合。

本实验室近阶段的实验集中在两件事：

一是成像与标注。通过低角度侧光与多通道光源组合，提升浅划伤与异色的对比度，减少成像不足带来的漏检；标注侧采用「正常样本建模 + 少量缺陷微调」的半监督路线，用产线自然产生的良品做无监督特征学习，缺陷样本只用于阈值与分级校准。

二是过杀控制。外观检测的实际成本往往不在漏检，而在过杀带来的人工复判量。我们在推理端引入缺陷分级与置信度分层输出：高置信直接判 NG，低置信区间转人工复判，复判结果回流为增量样本。

在某 6 代线模组外观工位的离线验证中，同等漏检水平下过杀率较原规则方案有明显下降；但跨型号换型时的阈值漂移尚未完全解决。

下一步计划：将换型自适应（少量新样本快速校准）与缺陷分级的可解释可视化作为重点，目标是让产线工程师能自行完成换型调参。