小样本学习在工业视觉中的突破

小样本学习正在成为工业视觉检测落地的关键突破口，它让产线在仅有几十张甚至十几张缺陷样本的条件下，也能快速训练出可用的检测模型。

过去几年，工业视觉在3C电子、汽车零部件、新能源电池等领域的渗透率持续攀升，但真正制约项目交付周期的，往往不是相机或算力，而是缺陷样本太少。一条新产线刚投产，良品率尚不稳定，某些缺陷可能几天才出现一次，攒够几百张训练图要等上数月。小样本学习针对的正是这个卡点。

一、核心概念与技术定义

小样本学习，英文Few-Shot Learning，属于机器学习的一个分支方向。它要解决的问题是：当某一类别的标注样本极度稀缺时，模型仍然能够完成有效分类或分割。在工业视觉语境下，通常指每个缺陷类别只有5到30张标注图像，模型就要学会识别该类缺陷。

这和传统深度学习依赖海量数据的逻辑不同。传统监督学习需要成百上千张同类缺陷图来拟合特征分布，而小样本学习通过元学习、度量学习、数据增强与预训练微调等策略，把“学会如何快速学习”作为训练目标。业界常说的“N-way K-shot”就是其经典评测设定：N个类别，每类K个样本。

二、技术原理与关键能力

理解小样本学习，可以从三个层面切入。

1. 特征表征层面。模型先在大型通用数据集上预训练，学到边缘、纹理、颜色分布等底层视觉特征，再迁移到工业缺陷场景。由于工业缺陷本质上也是局部纹理异常或形状异常，预训练特征具备可迁移性。业界不少方案会采用自监督预训练，在无标注工业图像上先做对比学习，让模型对金属反光、布面纹理、PCB走线等域内特征更敏感。

2. 度量与匹配层面。典型方法是把支持集样本和查询样本映射到同一嵌入空间，通过余弦相似度或欧氏距离判断归属。原型网络是其中代表：对每类缺陷的少量样本求特征均值得到“原型”，测试图离哪个原型近就归为哪类。这种方式对样本量要求低，且新增缺陷类别时无需重新训练整个网络，只需补充该类原型。

3. 数据与增广层面。在样本极少时，如何“造”出合理样本很关键。工业场景下常用几何变换、光照扰动、纹理合成、缺陷粘贴等方式扩充。更进一步的方案会结合生成模型，在正常样本上“贴”出逼真缺陷，既扩充了正样本，也避免了简单复制导致的过拟合。

关键能力可以归纳为三点：一是冷启动快，产线初期就能上线检测；二是可增量扩展，新缺陷出现时只需少量标注即可加入；三是对长尾缺陷更友好，那些一年只出现几次的罕见缺陷也有机会被建模。

三、制造业典型应用场景

假设一家电子厂做FPC柔性电路板外观检测。FPC缺陷类型多，包括线路缺口、异物、折痕、金面氧化等，但某些缺陷在试产阶段每天只出现几片。传统方案要等三个月攒数据，而采用小样本学习的检测系统，每类缺陷收集15到20张图即可初步建模，产线试产第一周就能跑起来。后续随着样本自然累积，模型再迭代优化。

再假设一家汽配企业做铸件表面缺陷检测。铸件缺陷如气孔、砂眼、裂纹，形态差异大，且不同批次合金材料反光特性不同。小样本方案可以先在通用工业缺陷预训练模型上微调，再用每类缺陷的少量样本做原型校准。换批次时，只需补充新批次正常样本做域适应，不必重新标注大量缺陷。

还有一个场景是新能源电池极片涂布检测。涂布缺陷如暗斑、划痕、露箔，在产线调试阶段样本极少，但漏检代价高。小样本学习结合高分辨率成像，可以在样本不足时先以无监督异常检测兜底，再逐步过渡到小样本分类，实现从冷启动到稳定运行的平滑衔接。

四、选型要点与实施建议

如果制造企业考虑引入小样本视觉检测方案，有几个实操点值得留意。

第一，看预训练底座是否贴合工业域。通用ImageNet预训练模型在工业缺陷上未必好用，优先选择在工业图像上有自监督预训练的方案。第二，确认增量学习能力。产线缺陷会变，方案要支持新增类别时只补少量样本，而不是全量重训。第三，关注标注效率。好的小样本方案应支持框选、涂鸦甚至仅正样本标注，降低产线人员操作门槛。第四，验证误检率与漏检率的平衡。小样本下模型置信度分布可能偏移，需要可调阈值和人工复核机制配合。第五，考虑与现有产线系统的对接方式，是独立工控机部署还是嵌入既有视觉平台。

实施上建议分两步走：先用小样本方案快速上线，解决“有没有”的问题；再随着样本积累，逐步切换到常规监督模型或小样本与常规模型融合，解决“准不准”的问题。

五、趋势展望与总结

往后看，小样本学习在工业视觉中会朝三个方向演进。一是与多模态结合，引入文本描述或工艺参数作为辅助信息，进一步降低对图像样本的依赖。二是与持续学习融合，让模型在产线运行中自动发现新缺陷并请求少量标注，形成闭环。三是向边缘端下沉，把轻量化小样本模型部署到相机或边缘盒子，减少对中心算力的依赖。

对于制造业而言，小样本学习的价值不只是省几张标注图，而是把视觉检测项目的交付周期从数月压缩到数周，让更多小批量、多品种的产线也用得起AI视觉。业界已有累计3200余家终端和120余家客户（覆盖15+行业）在推进这类方案落地，方向是清晰的：样本少不再是障碍，快速上线才是常态。