小样本外观质检AI定制：冷启动与边缘部署

外观质检AI定制最容易低估的不是模型，而是冷启动阶段的数据基础。多数产线立项时只有几十张缺陷图，甚至只有良品图，此时直接训监督检测模型，漏检率通常压不下来。 可行的路径分两步走：先以通用预训练检测模型叠加异常检测方法做主分支，用良品样本建立正常基线，缺陷样本只用于阈值标定；等产线跑满2~4周、积累到每类缺陷200张以上，再切换到监督模型，把误检率从5%降到1%以内。 硬件选型要跟着节拍走。以30fps、500万像素黑白相机、单工位检测为例，边缘盒子的推理算力建议不低于20 TOPS，并预留散热余量——工控现场夏季常在40℃以上，风扇堵转导致的降频，比模型精度不足更常见。 部署时把判定结果通过IO或Modbus写回PLC，同时将疑似缺陷图上传留存，用于每周样本回流复训。小批量多品种产线建议按品类分模型，不要用一个模型硬覆盖所有规格，否则改一次阈值就要重新验证全品类。