深度学习视觉检测模型怎么再训练？新缺陷类型出现后怎么迭代上线？

详细回答

深度学习模型不是“训一次用十年”——产线上新的缺陷类型总会出现：新物料、新模具、新工艺。再训练的价值不在算法，而在一套不让模型“越训越偏”的工作流。钱唐的视觉缺陷检测平台的再训练框架如下。

样本闭环：先把数据管住

• 收集规范：新缺陷样本按固定流程收集——缺陷件、边界件与OK样本都要，数量与覆盖要求见视觉缺陷检测的数据集采集与标注；
• 标注一致：沿用既有标注规范，边界样品的标注口径先统一再标注，避免“同一缺陷两种标法”；
• 入库留痕：样本来源（批次、工位、时间）入数据集台账，便于回溯，数据集管理的角色背景见深度学习在视觉检测中的角色。

验证先行：达标才换模型

• 独立验证集：再训练模型用独立验证集评估漏检率与误报率，验证口径见视觉检测的漏检误报验证与版本管理；
• 与现行对比：新模型必须与现行模型同集对比，指标验收口径见漏检率与过杀率的定义与验收；
• 灰度上线：先单工位或抽样比对运行，确认无回归再全量，变更后重新验证的总体口径见视觉检测变更后的重新验证。

版本受控：模型也是配方的一部分

• 三件绑定：模型版本、训练数据集版本与验证报告绑定归档，平台按项目保存配方及模型版本；
• 复核通道：对未知缺陷、边界样品与图像漂移保留人工复核流程，复核策略口径见视觉缺陷检测的光源与成像方案；
• 回退机制：新模型上线后指标劣化可一键回退到上一版本，版本链完整是回退的前提。

资料来源

• 钱唐科技：视觉缺陷检测平台：结合机器视觉与深度学习，支持多型号切换与检测项配置，项目保存相机参数、标注规范、配方及模型版本，设人工复核流程。
• IEC 国际电工委员会：检验体系与AI质量工具应用的公开背景；用于再训练流程说明，不移植任何条款数值。