小样本学习正在成为工业视觉落地的一条现实路径:它让产线在仅有几十张甚至十几张缺陷样本的条件下,也能把检测模型跑起来,而不是像过去那样必须攒够成千上万张标注图才能开工。
工业视觉这些年最大的尴尬不是算法不够强,而是样本不够用。缺陷本身是小概率事件,一条产线跑一周可能只出几十件不良品,还要区分划伤、脏污、压伤、缺料等不同类别,分摊到每类就剩个位数。传统深度学习靠数据堆精度的路子,在工业现场经常走不通。小样本学习被反复提起,原因就在这里。
一、核心概念与技术定义
小样本学习,英文Few-Shot Learning,指的是模型在每类只有少量标注样本(通常几张到几十张)的情况下,仍能完成分类或检测任务的学习方法。它和传统监督学习的区别不在于网络结构,而在于训练目标:传统方法追求在大量同类数据上拟合分布,小样本学习追求"学会比较"——让模型具备衡量两张图像相似度、区分细微差异的能力,从而在遇到新缺陷类型时,只靠少量参照样本就能判断。
在工业视觉语境下,小样本学习通常和异常检测、度量学习、迁移学习几个概念一起出现。异常检测解决"只有良品样本"的场景,度量学习解决"缺陷类别多但每类样本少"的场景,迁移学习则负责把通用视觉大模型的能力搬到具体产线上。三者组合,构成了当前工业小样本检测的主流技术栈。
二、技术原理与关键能力
小样本学习能成立,靠的是几个关键机制。
1. 预训练特征的复用。在大规模通用图像数据上预训练的视觉 backbone,已经学到了边缘、纹理、颜色分布等底层特征,这些特征对工业缺陷同样有效。产线只需要在此基础上做轻量微调,不必从零训练。这是小样本能work的前提。
2. 度量与对比。模型不直接输出"这是什么缺陷",而是输出"这张图和参照样本有多像"。通过对比学习拉近同类缺陷的特征距离、推远不同类的距离,分类边界在样本极少时也能立住。典型做法包括孪生网络、原型网络等。
3. 数据增广与合成。工业场景的增广不是简单旋转翻转,而是模拟真实成像变化——光照偏移、镜头畸变、运动模糊、背景纹理替换。部分方案还会用生成模型合成缺陷样本,缓解类别不平衡。
4. 在线迭代能力。产线新增缺陷类型是常态,小样本方案要求支持现场追加几张样本即可更新模型,而不是退回实验室重训。这个能力决定了方案能不能真正在车间活下来。
三、制造业典型应用场景
假设一家电子厂做连接器外观检测,缺陷包括 pin 针歪斜、塑胶本体毛边、端子氧化。每类缺陷一个月攒不到二十张图,过去靠传统视觉加人工规则,换型就得重调参数。改用小样本方案后,每类缺陷现场采集十张左右标注样本,模型当天就能上线初版,后续产线再出现新形态,追加几张图做增量更新即可。这类场景对小样本的诉求最直接:缺陷种类多、单类样本少、换型频繁。
再看一家汽配企业,做铸件表面检测。铸件缺陷形态随机,气孔、缩松、裂纹的视觉表现差异大,且良品样本远多于不良品。这类场景适合异常检测加小样本分类的组合:先用良品样本建立正常分布基线,把偏离基线的区域框出来,再用少量缺陷样本对可疑区域做归类。这样既避免了大量缺陷标注,又保留了区分缺陷类型的能力。
第三个场景是食品包装的印刷质量检测。包装换版频繁,每个版面的字符、图案都不同,但缺陷类型(套印不准、墨点、漏印)是共通的。小样本学习的价值在于把"缺陷长什么样"的知识跨版面迁移,新版面只需少量样本就能适配,不必为每个版面单独建模型。
四、选型要点与实施建议
挑小样本视觉方案,有几个点值得盯紧。
一是看它是否真的支持少样本增量更新,而不是宣传页上写小样本、实际部署仍要求几百张图。可以让供应商用你现场的十张图做一次实测,看当天能不能出可用模型。
二是看特征提取 backbone 的来源和适配能力。通用大模型特征强的方案,在纹理类缺陷上通常更稳;但也要确认它对你所在行业的成像条件(光源、镜头、工位)有没有做过适配。
三是看它和现有产线系统的对接方式。小样本模型最终要嵌进检测节拍里,推理速度、部署形态(边缘盒还是工控机)、和 PLC 的通信协议都得提前确认。
实施上,建议先选一条缺陷类型相对固定、样本积累最困难的产线做试点,把"采样本—标注—训练—上线—增量更新"这条链路跑通,再横向复制。别一上来就铺全线,小样本方案的价值在迭代速度,不在一次性覆盖。
五、趋势展望与总结
往远看,小样本学习在工业视觉里会往三个方向走。一是和视觉大模型结合,用更强的通用特征降低对行业样本的依赖;二是走向无标注或弱标注,把现场工人的操作经验直接转化为模型输入;三是和生成式数据合成打通,用合成样本补足极端罕见的缺陷类型。
回到现实,小样本学习不是万能药,它解决的是"样本少"这个具体约束,不解决成像质量差、缺陷定义模糊这些更底层的问题。产线要上的第一件事,仍然是把光源、镜头、工位这些物理条件做扎实。样本少可以靠算法补,成像烂谁也救不了。
从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的产业积累说明一件事:工业视觉的竞争从来不在单点算法,而在能不能把算法稳稳当当塞进产线节拍里。小样本学习给了一个更轻的入口,剩下的还是工程活。