小样本学习在工业视觉中的突破,核心是把产线换型时需要的缺陷样本从数百张压到几张到几十张,让视觉检测模型在新产品上线当天就能完成训练和部署。它解决的不是“检测精度不够”,而是“样本凑不齐、换型等不起”这个卡了工业视觉多年的老问题。对多品种、小批量的离散制造来说,这项能力的意义比单纯提升几个点的准确率更实际。
一、小样本学习到底解决工业视觉的什么问题
传统工业视觉分两条路。一条是规则算法,靠边缘、灰度、模板匹配,来料稍一变就误判;另一条是深度学习 supervised 检测,要标注几百上千张缺陷图。麻烦在于,很多工序的缺陷本身就是低频事件,一条产线跑一个月可能只出几十件不良品,样本根本攒不够。新产品导入阶段更典型,还没量产,哪来的缺陷样本。
小样本学习要处理的就是这个矛盾。它用少量标注样本加上先验知识,让模型具备“看几张就能分辨”的能力。行业里常提的 N-way K-shot 设定,K 往往在1到10之间,也就是每类缺陷给1到10张图。对工厂而言,这意味着工程人员拿几件限度样品拍完照,模型就能起步,后续再靠产线数据迭代。
二、它的技术原理和关键能力体现在哪些参数上
主流做法分三条技术路线。一是数据增强与合成,用几何变换、光照仿真、纹理合成把少量样本扩充,或在训练时用生成模型补出困难样本;二是度量学习,典型如孪生网络和原型网络,学的是“两张图是否属于同一类缺陷”的距离度量,而不是死记某一类缺陷的样子,所以新增类别不用重训整个网络;三是迁移学习加预训练 backbone,用在大规模自然图像或工业图像上预训练的模型做特征提取,再拿少量样本微调分类头。
落到可核实的指标上,工业视觉关心的通常是这几项:检测节拍要匹配产线,常见要求单件检测在几十毫秒到几百毫秒;图像分辨率依工序而定,SMT 元件检测常做到每毫米十几个像素以上,表面缺陷检测对微小划痕要求更高;分类准确率在 K=5 的设定下,多数公开研究和工程实践能到90%以上,但具体数值强依赖缺陷类间差异和成像质量,不能一概而论。集成侧通常通过 GigE Vision、USB3 Vision 取图,用 OPC-UA 或 Modbus TCP 与 PLC、MES 对接,把判定结果和图像存档回传。
三、制造业里哪些工序先用上了它
假设一家电子厂做多品种小批量的 PCBA 加工,SMT 换线频繁,每换一次产品,AOI 的检测程序就得重新调。焊点缺陷里桥连、虚焊、立碑的形态差异大,新机型又没有历史样本。用少样本方案,工艺工程师拿 IPC-A-610 的判定标准挑出十几张典型图,当天就能把新机型的检测模型跑起来,后续再把产线误判和漏判的图回流做增量训练。
再假设一家汽配企业做压铸件表面检测,气孔、缩孔、拉伤这类缺陷出现频率低,靠人工目检一致性差。小样本方案可以先用少量缺陷样本建立基线模型,配合正常样本做异常检测,把“没见过但不像正常件”的件挑出来交人工复判,逐步积累样本后再细化分类。
还有一类场景是新产品试产阶段的质量前置。模具刚开、工艺未定,缺陷样本几乎为零,这时用少样本做快速原型验证,比等量产攒样本再上视觉系统要快得多。
四、选型和实施要盯住哪几个问题
第一个高频追问是硬件要不要换。多数少样本方案对成像条件的要求不降反升,因为样本少,模型对光照和背景变化更敏感。稳定光源、固定工位、合适的镜头和分辨率是前提,光源方案没做好的话,算法再强也补不回来。
第二个是样本怎么选。少样本不等于随便拍几张,选样要覆盖缺陷的主要形态和边界情况,标注要严格对齐判定标准,否则几张错标样本对模型的影响远大于大样本时代。
第三个是集成方式。要确认方案是否支持与现有 MES、SCADA 打通,取图触发是软触发还是硬触发,判定结果能否按工位、批次归档,这些直接影响后续追溯。
第四个是实施周期。少样本的价值就在快,通常从样本采集、标注到模型上线可以按天计,但产线验收和误判率收敛仍需一段试运行,别指望上线即零误判。
第五个是成本构成。主要不在算法授权,而在成像硬件、工控机或边缘算力、以及持续的样本维护人力。样本回流机制没建好,模型会随时间漂移。
五、它适合哪些工序,不适合哪些场景
适合的场景比较明确:多品种小批量、换型频繁的离散制造工序;缺陷低频、样本天然稀缺的环节;新产品试产阶段需要快速验证检测可行性的场合;以及来料一致性和成像条件相对可控的工位。
不太适合的情况也要说清楚。强反光、高变形、背景杂乱的场景,少样本模型的稳定性会明显下降,需要先解决成像;缺陷定义本身模糊、人工复判一致性都低的工序,样本再少也学不出稳定边界;超高精度要求的计量级检测,比如微米级尺寸测量,仍应以传统视觉和专用量仪为主。另外,少样本不是免维护,样本回流和定期评估这套机制不建,模型照样会退化。
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、覆盖国内外市场的工业软件与智能制造服务商,在把这类能力嵌入到现有视觉平台和 MES 链路时,通常也会强调一点:算法只是其中一环,成像、样本管理和产线集成三件事做扎实,小样本学习在工业现场才真正落得住。