产线新产品上线，最头疼的就是缺陷样本不够：良品一堆，坏的没几张，传统监督学习根本训不起来。这个问题没有银弹，但有几条在产线验证过的成熟路线。

第一，异常检测思路。只用良品训练，让模型学出"正常长什么样"，推理时偏离正常的就报警。这类方法对未知缺陷类型最友好，新缺陷不用重新标注就能抓到。代价是定位比较粗，阈值要反复调，误报和漏报的平衡点得贴着产线找。

第二，度量学习。把"这是不是缺陷"变成"和已知缺陷像不像"的相似度问题，几张样本就能起步。适合缺陷类型固定、形态稳定的场景，比如固定的划痕、缺料。样本多了之后可以平滑过渡到常规分类模型。

第三，数据增强要克制。旋转、亮度、噪声这类几何和光度变换可以用，但别用会改变缺陷语义的增强，更别拿明显失真的合成图去训练。产线的光照和相机是固定的，增强要贴着真实分布做，否则等于教模型认假货。

第四，主动学习闭环，这是样本最少时最实在的打法。先上线一个保守版本，把"不确定"的样本推给人工复核，复核结果回流成标注，用几周时间把样本池滚大。很多产线的标注库就是这么从几十张滚到几千张的。

最后两个忠告。一，产线最怕"实验室 99%，上线就翻车"，根因多半是训练集和产线在光照、角度、批次上的分布漂移，上线前一定要拿连续几天的真实产线数据做验证，验证集里最好包含换班、换料、设备重启后的数据，这些时刻最容易出问题。二，误报率比漏检率更早杀死项目：操作工被"狼来了"烦几次就关报警了，阈值宁可保守起步，再慢慢放开。