小样本缺陷AI检测定制：数据增强与冷启动方案

工业视觉AI定制项目最常见的卡点不是算法，而是缺陷样本太少。多数产线缺陷率低于千分之五，项目启动时往往只能收集几十张真实缺陷图，直接训练监督模型难以收敛。我们在多个交付项目中沉淀了一套冷启动做法。一、合成数据优先补量。针对划痕、脏污、崩边等形态明确的缺陷，在良品图像上通过贴图融合、生成模型合成缺陷样本，与真实样本按3:1至5:1的比例混合训练；上线后用现场误报与漏检样本逐步替换合成数据，让模型随真实分布持续收敛。二、异常检测先兜底。样本不足阶段先部署基于正常样本的无监督异常检测（如PatchCore），保证产线尽快上线运行；累计两三百张真实缺陷图后，再切换或并联监督式检测模型，定位精度与缺陷分类能力同步提升。此外，冷启动阶段需与客户约定误报率上限和人工复判流程，避免初期误报过多引发产线抵触。按此路径推进，视觉质检项目从启动到稳定运行一般可控制在8~12周。