基于深度学习的少样本缺陷检测

工业视觉检测最大的挑战之一，是往往难以收集到足够的缺陷样本来训练深度学习模型。许多产线每天仅产生少量缺陷，收集一个均衡数据集可能需要数月时间。少样本缺陷检测通过先学习正常外观的稳健表征，再将任何显著偏离标记为潜在缺陷，从而解决这一难题。

现代少样本方法结合了大规模图像数据集上的自监督预训练、激进的数据增强以及合成缺陷生成。在 BVTEK 的 BV-Sight 平台中，工程师只需 50 张良品图像加上 10 到 20 张缺陷样本，即可构建可用模型。模型可在数分钟内完成部署，并在操作员标注新发现时持续在线优化。这大幅缩短了项目爬坡周期，使深度学习检测即使在小批量、多品种的制造场景中也变得可行。