AI缺陷样本增广定制：缺陷合成与训练闭环

很多视觉检测项目卡在样本：良品成千上万，缺陷只有几十张，还集中在特定批次和光照。直接训练容易过拟合，模型换批后就漏检。定制缺陷样本增广通常分三层：一是几何与光度扰动，对真实缺陷做旋转、缩放、透视、亮度色温与噪声变化，扩充到数百张；二是贴图合成，把缺陷mask贴到不同纹理、不同位置的良品图上，并做边缘羽化与阴影匹配，避免明显拼接痕；三是生成模型，用少量真实缺陷微调扩散模型，按类别生成候选，再由人工或判别模型筛选。关键不是把数量做大，而是让合成分布靠近真实产线。验证集必须全部使用真实缺陷，并按批次、光照、缺陷等级分层，否则指标虚高。落地时建议记录每张合成图的来源与参数，训练中控制合成占比在30%以内，结合难例回流机制，把现场漏检和误报样本每周补入。交付指标看漏检率、过杀率和换批稳定性，而不是单看mAP。