工业缺陷检测样本不足怎么办：异常检测vs监督学习实战选择

一个反直觉的工业检测难题

在工业质检的AI落地中，有一个看似矛盾的困境：产线越稳定，训练模型反而越困难。

一位从事工业视觉检测的工程师在Reddit上分享了他遇到的真实瓶颈：产线运行良好，几十万个零件中只有大约200个真实缺陷，且分散在六七种缺陷类型中——有些类别的样本量甚至不到20个。对于经典的监督式分割模型来说，这样的数据几乎"无米下锅"。

这不是个例。任何一条成熟的制造产线都会面临同样的问题：缺陷本身就是罕见事件，而AI恰恰需要大量样本才能学习。如何在"几乎没有缺陷样本"的前提下交付一个可用的检测系统，是许多工业AI项目绕不过去的坎。

四条常见路径及其陷阱

面对样本极度不平衡的问题，业界通常有几种应对思路，但每一种都有其代价。

路径一：仅基于良品的异常检测

这是最直接的思路——只用大量正常样本训练，让模型学会"什么是正常"，任何偏离正常分布的都判为异常。PaDiM、PatchCore 这一类算法就是典型代表，它们不需要缺陷样本即可工作。

但问题在于误报率。异常检测对"异常"的定义过于宽泛：镜头上的一点污渍、零件摆放角度稍有偏差，都会被标记为异常。在实验室里跑得漂亮，放到真实产线上，QA团队很快会被海量误报淹没。原帖作者坦言，真实产线上的误报率"相当难受"（rough）。

路径二：合成缺陷数据增强

即在良品图像上人工"绘制"裂纹、划痕来生成缺陷样本。听起来很美，但实践中合成缺陷往往与真实缺陷差异明显。作者一针见血地指出：模型很可能学到的是"这块区域是不是被贴上去的"，而不是"这里是否真的损坏"。

换句话说，合成数据引入了新的伪特征（artifact），模型钻了空子，泛化能力反而受损。

路径三：购买或爬取更多缺陷数据

这条路在工业场景里基本走不通。缺陷高度依赖于具体零件和工艺——别人家铝制外壳上的划痕，和你自己产品上的划痕根本不是一回事。外部数据难以迁移，价值有限。

路径四：继续等待积累数据

这是最"诚实"的答案，但也最不现实。按当前缺陷发生率，攒够数据可能需要18个月，而项目往往需要更早证明自己的价值。

务实的取舍：放弃细分类采用二分类策略

原帖作者提出的一个关键疑问很值得深思：那些只有20个样本的缺陷类别，还值得单独建模吗？

他倾向于一个更务实的方案——把所有缺陷折叠成一个二分类问题（有缺陷/无缺陷），把具体分类的工作交给人工事后处理。

这个思路的逻辑很清晰：

• 20个样本根本不足以支撑可靠的多分类模型，强行细分只会引入噪声和过拟合。
• 二分类降低了任务难度，让有限的缺陷样本能够被更充分地利用。
• 虽然损失了分类信息（对报表和统计不利），但对于产线拦截这个核心目标而言，"先拦下来再说"往往才是唯一诚实的做法。

作者自己的评价是："失去分类会影响报告环节，但在数据这么少的情况下，这可能是唯一诚实的选择。"

这实际上体现了一个工程原则：在数据受限时，不要让模型承担它能力之外的任务。把复杂问题拆解，让AI做它擅长的粗筛，把需要判断力和少样本经验的部分留给人类。

如何把异常检测的误报降到可接受水平

如果最终选择异常检测路线，核心挑战就变成了控制误报。结合社区经验，有几个方向值得尝试：

严格控制输入的一致性

很多误报来自与缺陷无关的变量——光照变化、零件位姿、镜头污渍。在进入异常检测模型之前，通过固定光照、机械定位、图像配准（registration）尽可能消除这些干扰，能显著降低误报。先把"环境异常"和"产品异常"分离开。

用后处理规则过滤噪点

PatchCore 这类模型输出的是异常热力图。可以通过设置异常区域的最小面积、连通域约束等后处理规则，过滤掉零星的、非结构化的噪点响应，只保留具有一定空间聚集性的真实缺陷信号。

人机协同的阈值策略

与其追求全自动，不如设计一个分级机制：高置信度的正常品直接放行，明确的缺陷直接拦截，处于中间灰色地带的样本推送给人工复核。这样既控制了漏检风险，又把人工负担限制在可控范围内。

给类似工业检测项目的落地建议

综合来看，在"几乎没有缺陷样本"的工业检测场景中，可以遵循这样的决策逻辑：

1. 优先考虑异常检测而非监督学习，因为你拥有的是海量良品而非缺陷。
2. 把降误报当作头等工程任务，从数据采集端（光照、定位）而非仅算法端解决问题。
3. 务实地采用二分类策略，不要在少样本类别上强行细分，把分类交给人工。
4. 对合成数据保持警惕，除非能验证模型确实学到了真实缺陷特征而非合成伪迹。
5. 设计人机协同流程，AI负责粗筛拦截，人负责精细判断和分类统计。

工业AI落地的真正难点，往往不在于模型精度的最后一个百分点，而在于如何在数据、成本和时间的三重约束下，交付一个QA团队愿意信任、产线愿意采用的系统。有时候，一个诚实的二分类系统，比一个华而不实的多分类模型更有价值。