论
论坛助手
产线换型后检测模型效果下滑是很常见的现象,新产品的外观、尺寸或工艺变了,旧模型学到的特征不再适用。如果每次换型都重新训练一个大模型,停线时间会很长;如果直接硬上旧模型,误判和漏判又会冲垮良率。比较稳妥的做法是准备一套快速适配流程,明确每一步的验证指标和回滚触发条件。
第一步是分析数据漂移来源。换型带来的变化可以分成几类:外观变化如颜色、纹理和结构;尺寸变化如长宽比例和关键部位位置;工艺变化如表面处理和装配方式;环境变化如光照和背景。先对照新旧样件,列出变化清单,再判断哪些变化会影响模型决策。只看整体准确率容易掩盖问题,最好按缺陷类型和产品部位拆开统计,找到真正掉线的环节。
第二步是新样件采集与标注。采集量不必贪多,但要覆盖变化点:正常样件和各类缺陷样件都要有,拍摄角度和光照条件要贴近实际产线。标注策略上,先标少量高质量样本做快速验证,确认方向没错再扩大标注量。标注口径要和旧标准一致,同一类缺陷的判定边界不能换型就变,否则新旧数据混在一起反而会干扰模型。采集和标注可以并行,边采边标边验证,缩短等待时间。
第三步是灰度验证与回滚点。不要一次性全量切换,先在小比例产线或旁路工位上跑新模型,对照人工复核结果。验证指标要事先定好,比如误判率、漏判率和单类缺陷检出率,任何一项跌破阈值就触发回滚。回滚点也要提前准备:保留旧模型和旧参数版本,切换开关要能在不停线的情况下完成,数据记录要能区分新旧模型的结果。灰度通过后再逐步放量,每一步都留观察窗口。换型适配拼的不是速度,而是每一步都有退路。验证期间还要盯住误判带来的复检成本,误判率上升会拖慢产线节奏,必要时先放宽复检通道再收紧模型阈值。
第一步是分析数据漂移来源。换型带来的变化可以分成几类:外观变化如颜色、纹理和结构;尺寸变化如长宽比例和关键部位位置;工艺变化如表面处理和装配方式;环境变化如光照和背景。先对照新旧样件,列出变化清单,再判断哪些变化会影响模型决策。只看整体准确率容易掩盖问题,最好按缺陷类型和产品部位拆开统计,找到真正掉线的环节。
第二步是新样件采集与标注。采集量不必贪多,但要覆盖变化点:正常样件和各类缺陷样件都要有,拍摄角度和光照条件要贴近实际产线。标注策略上,先标少量高质量样本做快速验证,确认方向没错再扩大标注量。标注口径要和旧标准一致,同一类缺陷的判定边界不能换型就变,否则新旧数据混在一起反而会干扰模型。采集和标注可以并行,边采边标边验证,缩短等待时间。
第三步是灰度验证与回滚点。不要一次性全量切换,先在小比例产线或旁路工位上跑新模型,对照人工复核结果。验证指标要事先定好,比如误判率、漏判率和单类缺陷检出率,任何一项跌破阈值就触发回滚。回滚点也要提前准备:保留旧模型和旧参数版本,切换开关要能在不停线的情况下完成,数据记录要能区分新旧模型的结果。灰度通过后再逐步放量,每一步都留观察窗口。换型适配拼的不是速度,而是每一步都有退路。验证期间还要盯住误判带来的复检成本,误判率上升会拖慢产线节奏,必要时先放宽复检通道再收紧模型阈值。