小样本缺陷检测的三条路
小样本缺陷检测选路线，判据是三件事：缺陷能不能用几何或亮度规则描述清楚、不良品样本有几张、节拍允许单件推理多久。答完这三问，剩下的选项通常只有一个。
需要了解产品参数、适用场景与案例？
拨打 130 4890 6506，获取选型建议与同行业案例2. 为什么"小样本"是常态，不是例外
工业现场的缺陷检测项目，样本结构几乎总是这样：
- 良品大量（一天几千件）
- 不良品很少（一个月几件到几十件）
- 不良类型的分布还不稳定（这个月是这个缺陷，下个月换一种）
这带来一个必须提前说清的结论：拿几十张缺陷图去训练一个新模型，几乎必然过拟合 —— 模型记住的是那几十张图的背景与光照，不是"缺陷"本身。
所以真实可用的路线，都是绕开"从零训练"的：
| 路线 | 怎么绕开 |
|---|---|
| 规则与特征 | 不训练模型，直接描述缺陷的几何或灰度规律 |
| 迁移学习 | 不训练主干，只微调一个已经在数百万张图上训练过的网络 |
| 无监督异常检测 | 不学"缺陷长什么样"，只学"良品长什么样"，偏离就是异常 |
3. 三条路各自适合什么
3.1 路线一：规则与特征（不训练模型）
用几何测量、灰度阈值、边缘与纹理统计来描述缺陷，例如"长度超过 X 的划痕""面积超过 Y 的污点"。
- 强项：样本需求接近零；结论可解释（能指着图说"因为它比这个长"）；调参就是改阈值，客户自己能维护。
- 边界：只对能描述清楚的缺陷有效。反光、纹理变化、位置漂移一旦引入，规则会开始互相打架。
- 不该用的场合：缺陷形态多样、无法用一组稳定的几何或灰度条件概括 —— 这时规则会写成几十个 if，最后没人敢改。
3.2 路线二：迁移学习 + 数据增强
用一个已在通用图像数据上训练过的网络作为起点，只替换最后的判别层，用自己的几十到几百张图微调。
- 强项：样本需求从"上万"降到"几十到几百"；对光照与背景变化比规则鲁棒。
- 边界：增强不能凭空造出缺陷。旋转、翻转、亮度微调能扩充"同一种缺陷的不同拍法"，但造不出"另一种缺陷"。
- 不该用的场合：缺陷类型还在不断新增，且每种只有个位数样本 —— 微调会变成"每来一种缺陷重训一次"，运维不可持续。
3.3 路线三：无监督异常检测（只用良品训练）
只拿良品训练，模型学的是"正常长什么样"；推理时偏离正常分布的区域被标为异常。
- 强项：完全不需要缺陷样本；对"没见过的缺陷类型"也能响应（这是它最大的价值）。
- 边界：它给的是"异常"，不是"缺陷类型"。要分类（划痕/凹坑/脏污），还得另外做一步判定。
- 不该用的场合：良品本身的自然波动很大（材质纹理、反光、印刷图案变化）—— 正常样本覆盖不全时，误报会高到没人愿意看。
4. 按现场条件直接查表
| 现场条件 | 通常合适 | 理由 |
|---|---|---|
| 缺陷可用长度/面积/位置等几何量描述 | 规则与特征 | 不需要样本，且判据可写给客户看 |
| 缺陷形态多样，但良品很稳定 | 无监督异常检测 | 不用凑缺陷样本，能覆盖"没见过"的类型 |
| 有几十到几百张缺陷图，类型固定 | 迁移学习 | 样本量正好落在微调的可用区间 |
| 缺陷类型每月都在新增 | 异常检测 + 人工分类 | 避免"每来一种缺陷重训一次" |
| 节拍要求单件推理时间很短 | 规则优先，其次轻量模型 | 大模型在小 ROI 上也可能够用，但先测再定 |
| 良品本身波动大（纹理、反光、图案） | 先做打光与工装，再谈算法 | 成像不稳时，任何算法都在拟合噪声 |
最后一行是本文最重要的一条：先解决"看得清"，再解决"认得准"。 图像不稳的项目，换算法是绕远路。
5. 少量样本下，怎么证明结果可信
样本少的时候，"准确率 99%"这类数字几乎没有信息量 —— 几十张样本上的一个错误就是几个百分点。 更有意义的做法是按测量的重复性与再现性来评估：
5.1 分开"同一次测的稳定性"和"换一批还能不能行"
计量学里对测量结果的评估，区分重复性（同一条件下重复测）与再现性（条件改变后重测）， 方法框架见 GB/T 6379.1—2004（测量方法与结果的准确度 第 1 部分：总则与定义）。
搬到缺陷检测上，就是两个必须分开问的问题：
| 问法 | 要怎么做 | 它回答什么 |
|---|---|---|
| 重复性 | 同一批样品，同一位置，连续测 N 次 | 系统稳不稳（会不会同一件两次结果不同） |
| 再现性 | 换班次、换批次、换工装位置再测 | 换个条件还能不能用 |
只报"一次测的多好"，等于只报了重复性的一半。
5.2 留出集不能自己挑
用于验证的样本必须在调参之前就固定下来，并且不能从训练用的那批里挑。 现场最常见的自欺是：拿训练用的图做验证，得到很好看的数字，上线后完全对不上。
5.3 上线后按批次复核
在现场留一段时间的人工复核（全检或抽检），把模型判定与人工判定逐条比对。 这段数据是唯一能证明"在真实产线上有效"的东西，也是后续迭代的样本来源。
想进一步了解？
我们可以提供：产品参数表 · 选型建议 · 同行业案例 · 组网/部署方案对照
拨打 130 4890 6506，获取选型建议与同行业案例
扫码添加服务微信
获取产品资料、行业案例与选型建议
添加时请备注：长文-小样本检测
6. 什么时候不该做这个项目
| 情况 | 结论 |
|---|---|
| 缺陷的判定标准本身没定（"好看不好看"） | 先定标准。 人之间都不一致的判定，模型学不会 |
| 良品样本也不足（例如单件小批、新产品） | 三条路都缺根基 —— 先靠人工与规则，不要上模型 |
| 成像条件无法改善（震动、粉尘、反光、位置漂移） | 先解决成像。算法不解决看得见的问题 |
| 目标是"零漏检" | 做不到，也不该承诺。任何检测都有漏检，要谈的是漏检的代价与抽检兜底 |
| 一年只有几十件产量 | 检测成本高于返工成本，先算账再决定 |
一句话：缺陷检测是"给已经能用眼睛判、但看不完也看不稳的产线"用的工具。
7. 常见问题（FAQ）
几十张缺陷图够训练吗？
不够"从零训练"，够"微调"。差别在于：微调沿用的是预训练网络已经学到的通用视觉特征，你的几十张图只负责把最后一层拉向你的缺陷。
数据增强能不能把几十张凑成几千张？
能扩充数量，不能扩充"种类"。增强做的是对已有缺陷做几何与亮度变换， 如果缺陷类型本身不够，增强只会让模型对那一种更过拟合。
只用良品训练的异常检测，会不会把正常波动当缺陷？
会，这是它最主要的失败方式。良品样本要覆盖正常范围内的波动（不同批次、不同纹理、不同位置）， 否则误报会高到产线关掉这个功能。
怎么跟客户解释"我们没有统一准确率数字"？
按第 5 节给两张表：重复性（同一批多次测的一致性）与再现性（换批次后的表现）， 再给需要人工复核的比例。这比一个笼统的百分比更能说明现场会发生什么。
项目周期一般多久？
取决于成像能不能一次做对。成像与工装定下来之前，算法做多快都没有意义 —— 所以第一步永远是打光与取图，不是选模型。
8. 联系入口
如果缺陷样本少、类型还在变，或者要判断先做打光还是先做算法：
拨打 130 4890 6506，获取视觉检测方案评估
扫码添加服务微信
获取缺陷检测的成像与验收方法
添加时请备注：长文-小样本检测
相关页面
- 长文：2D 与 3D 视觉怎么选——先定测什么量，再谈少样本
- 术语：漏检率与误检率——验收指标怎么算、怎么可比
- 术语：工业相机选型——分辨率与视场先算清楚
- 术语：光源选型——多数"样本不够"其实是成像不够
- 产品：工业机器视觉——检测单元与产线对接的形态