车间里的"猜缺陷": 小样本缺陷生成到底怎么救急？

昨天我蹲在焊装线边上擦检具，新来的大学生抱着电脑凑过来，脸皱得跟被踩过的焊渣似的。说他要攒缺陷样本训练质检AI，线上跑了大半个月，一共只捡到五个真实裂纹缺陷，用热门生成模型攒了几百个，拿去训练，结果AI连真缺陷都认不出来。 这不就是踩了小样本的坑嘛。

新人踩过的坑：为啥生成的缺陷全是"假货"

工厂里找缺陷，本来就是碰运气。批量生产的合格件多，缺陷少，能攒下来的真实样本没几个。现在大家都要用AI做自动质检，没样本怎么办？就想到了用已有小样本生成新样本，也就是我们说的小样本缺陷生成。 说实话，很多刚进车间的学生，第一反应都是"不就是把几个缺陷翻过来转过去，改改大小不就完了"？我刚接触的时候也这么想。直到那次拿生成的样本去测，上线一打，十个假缺陷九个半是现实里根本不可能出现的。 比如我们焊纵梁，裂纹只会出现在焊缝交叉处，生成模型瞎编，能给你编个裂纹横穿整个钢板母材。这不扯吗？钢板平平整整，没有应力集中，怎么会裂？ 汽车焊接纵梁表面真实缺陷实拍 你看，问题出在哪？你给AI的样本太少，AI根本不知道这个缺陷该长在哪，该长什么样，只能对着那几个样本瞎抄，抄出来全是四不像。

跳出误区：小样本缺陷生成拼的不是数量

很多人一听到"生成"，就觉得要生成几千几万张凑数，越多越好。不对。我们现场用，要的不是数量，是"对味"。 什么叫对味？就是生成出来的缺陷，得符合生产的逻辑，得跟真缺陷长的脾气一样。比如焊接裂纹，真实的裂纹，粗细是一头尖一头宽，走向跟着焊缝应力走，不可能直直的横切焊缝。这些东西，你不告诉AI，三个五个样本根本喂不出这个常识。 我见过不少搞算法的朋友，坐办公室里调模型，参数调的特别漂亮，生成的缺陷清晰度比真的还高，一拿到车间测，准确率掉二十个点。为啥？就是没搞懂，小样本缺陷生成，核心不是"生成"，是从几个真实样本里把缺陷的核心特征挖出来，再顺着特征造新的，不是凭空捏一个。 工业质检小样本缺陷真假对比图 就说那五个裂纹样本，你把样本里所有裂纹的位置、走向、灰度梯度都提出来，给AI划个圈：只能在焊缝交叉区出缺陷，走向只能顺着应力方向，这样生成出来的，哪怕只有一百个，比瞎生成的一千个都好用。 不过话说回来，哪有那么完美的模型？我见过最好用的方法，就是生成完了，先拉车间老质检过一遍，把一眼假的删掉，剩下的再拿去训练，比啥调参都管用。这不丢人，机器还得靠人把把关嘛。

现场实用的小技巧，别搞花里胡哨的

现场实用的小技巧，别搞花里胡哨的 很多人上来就要上大模型，要端到端生成，恕我直言，大部分工厂产线，根本犯不上。你就三五个真实样本，大模型参数量太大，直接过拟合，生成的全跟那几个样本长得一模一样，换个位置就认不出来，有啥用？ 我们车间现在用的法子，说出来很简单：先拿人工给缺陷做标注，把缺陷区和背景区分开，然后给AI加两个约束：第一，缺陷只能出现在我们已知容易出问题的区域，别乱跑；第二，生成缺陷的形状特征，不能偏离真实样本太多。就这两条，生成的缺陷能用的概率能从不到三成提到七成以上。 真的，你别不信。之前那个新来的大学生，按我说的改了之后，生成的一百个缺陷，删掉五个一眼假的，剩下九十五个拿去训练，质检准确率直接涨了十八个点。他当时眼睛都亮了，说原来这么简单。 对啊，本来就不难。说白了，小样本缺陷生成，就是帮我们在缺真实样本的时候救个急，不是让AI凭空造个不存在的缺陷出来。你得站在生产现场的角度想，这个缺陷该长啥样，不该长啥样，把这些常识喂给AI，比啥复杂算法都管用。 哦对了，还有个误区，有人说生成的缺陷越像真的越好，要清晰度拉满。不对，我们实际生产线上，摄像头拍出来的图像，本来就有油污，有反光，有干扰，你生成个全高清无杂质的缺陷，训练出来的AI反而扛不住干扰。顺着现场的条件来，才是对的。