零样本/少样本学习在工业质检中的应用

工业质检领域正经历从传统视觉方案向零样本/少样本学习的范式转变。以下为关键要点:

技术原理与优势 零样本方案基于视觉-语言大模型(如CLIP),通过计算待检图像与"正常/缺陷"文本描述的相似度生成异常分数,无需目标产线样本。少样本学习则通过轻量适配器(参数占比<1%),用5-50张样本实现快速适配。振华研究院案例显示,该方法仅需10%标注数据即可达专家级效果,开发周期缩短50%。

典型实施方案

  • AdaptCLIP方案:仅需训练三个轻量适配模块(视觉/文本/提示适配器)
  • MRAD方案:冻结模型参数,通过特征库检索实现零训练异常检测
  • AnomalyAgent:采用多步推理流程(观察-检索-判断),完全无需梯度更新

落地数据

  • 熔断器检测:15个月稳定运行,累计检测25万颗元器件,漏检率<3%
  • CVPR2025竞赛:少样本赛道AUROC达0.936,刷新纪录
  • 江汽集团方案:实现全品类识别+小样本适配+边缘实时推理

实施路线图

  1. 冷启动阶段:零样本模型直接上线,解决异常有无判断
  2. 数据积累阶段:20-50张样本触发少样本适配,提升定位精度
  3. 持续优化阶段:每100张新样本更新模型,逐步逼近全监督效果

适用边界

  • 适合场景:新产品上线、多品种混线、异常检测等
  • 暂限场景:亚微米级缺陷检测、定制化分级标准、<30ms实时要求

当前技术已实现从"项目制定制"到"平台化赋能"的转变,将传统数周的训练周期缩短为天级部署。对于良率98%的产线,该方法可避免数万件样本的等待时间,显著提升质检响应速度。

吾悟视觉wuwuvision.cn
 

Logo

北京人形旗下天工造物具身智能开源社区,聚焦具身天工与慧思开物两大平台

更多推荐