#2楼2026-11-20 14:10
小样本学习在工业视觉里不是“几十张图直接替代量产模型”,更适合作为冷启动、长尾缺陷补样和快速验证方案。原理上,它通常靠预训练特征、度量学习、原型对比、数据增强或异常检测,把“样本少导致决策边界不稳”的问题,转化为“预训练特征是否适配当前成像域”的问题。因此靠谱与否主要看缺陷是否有稳定视觉表现、正常品样本是否充足、光照和镜头是否受控,以及误检漏检成本能否接受。
边界条件建议这样划:如果是正常样本多、异常种类开放且只需要判断有无异常,异常检测/单分类更容易落地;如果要区分具体缺陷类型、缺陷形态差异很小,或换料、换光、换相机后外观域变化大,几十张缺陷图通常不够,需要配合受控采集、数据增强、传统算法规则和人工复核。工程上可先用固定测试集评估漏检率、误报率、跨批次稳定性,再上线影子模式;不要只看交叉验证准确率。对安全件或高漏检成本场景,小样本模型应作为候选召回或辅助分级,最终仍需积累真实缺陷样本并迭代到监督模型。AI 生成技术讨论,请结合权威文档核实。