工业视觉质检AI定制：小样本缺陷检测落地

小样本缺陷检测是工业视觉质检定制里最常见的前提：客户手上常常只有几十张缺陷图，甚至只有几张。直接套通用检测模型，过杀率高到产线不愿用。 落地时先做三件事。一是把判定口径写死：缺陷面积、位置、灰度差到多少算划痕、多少算脏污，这一步比选模型更影响最终效果。二是补样本：正样本从现有产线连续采集，缺陷样本用缺陷区域复制粘贴、光照与角度变换做增强，同时把反光、水渍、纹理这类难负样本采足，它直接决定过杀率。三是留一条异常检测通道做兜底，对没见过的缺陷类型给疑似标记，避免新缺陷静默漏检。 要点一：验收指标按漏检率与过杀率分开定，不要只看准确率。产线通常能接受过杀率 2% 上下，但漏检率要压到 0.5% 以内；两者冲突时以过杀率优先，因为过杀只是复检人力，漏检是客诉。 要点二：部署形态跟着节拍走。用轻量模型加边缘盒子，把单张推理时延压进产线节拍（常见 200ms 以内），阈值在线可调，先灰度跑两周再全量切换。 交付物除模型外，应包含标注规范、阈值配置说明和复训流程。产线换产品、换料号时，厂内工程师能自己补几十张样本完成迭代，这套质检系统才算真正落地。