缺陷样本太少，模型还做不做

真实的视觉项目里，缺陷样本往往是最缺的东西。产线良率越高，缺陷越少——这本身是好事，但它同时意味着你手上可能只有十几张真实的缺陷图，而要判别的缺陷类型有五六种，每一种还分轻重。这个矛盾几乎每个项目都会遇到。处理方式决定了项目是卡死在「再攒半年样本」上，还是先绕过去把系统跑起来，在运行中把样本补上。

先把收集变成日常流程

最常见的失败是上线前集中找样本：把品质部存档的图片、工程师手机里的照片、供应商给的材料凑一凑，训练出一个模型，上线，然后样本这件事就再没人管了。模型从此冻在那一批样本所代表的世界里，而现场在不断变化——换了料号、换了供应商、设备磨损了、季节变了。正确做法是把判定为不合格的图片自动归档，并定期复核标签，让样本库随着系统运行持续增长。

• 按批次与班次分层：同一个缺陷在不同的批次、不同的班次、不同的设备状态下，表现形式可能不同。只从一个批次收集，等于只学了那一个批次的样子。
• 留住「疑似」案例：被判为不合格、但人工复判为合格的图片，是最有价值的边界样本。它们正好落在判定边界上，拿来调整阈值或补充训练的效果最直接。
• 保留原始图：不要只留处理后的小图或标注截图。原始图可以在事后用新的算法重新处理，处理过的图不行。

还有一个容易被忽略的偏差：如果只归档被判为不合格的图片，样本库里装的就全是当前这套系统已经能判出来的缺陷，而它漏掉的那一类永远不会进入样本库，偏差会随着运行自我强化——模型在自己制造的数据上越练越像自己。稳妥的做法是按固定比例随机抽存一部分良品图与已放行件图，并定期由人工复核其中一小部分，把复核结论一并记进样本库。抽存比例可以从每班几十张起步，重点覆盖换型后、设备维护后与夜班这几个容易出问题的时段。这件事的代价很小，却是让样本库保持客观的唯一办法。

样本不足时的四条路径

合成样本能做到什么，做不到什么

合成样本擅长的是让已有缺陷的形态更丰富：一种划痕，在不同角度、不同反光、不同背景下会呈现不同的样子，用变换生成出来的这些变化是真实存在的，模型学了有用。它不擅长的是创造新缺陷类型。如果某类缺陷你只有两三张真实样本，靠变换补到几百张，并不会真正提高这类缺陷的检出率——模型学到的还是那两三张所代表的样子，只是被复制了很多遍，评估指标会变好看，现场表现不会。

所以合成样本的正确用法是补充，不是替代。验收样本里必须有真实缺陷，而且必须来自没有参与训练的时间段或批次。这一点没有捷径：样本量的限制不会因为评估方式而消失，它只会从「训练时指标难看」变成「现场误报和漏报」，而后者要昂贵得多。