【案例分享】基于迁移学习的格栅灯小样本光学缺陷检测算法及应用

迁移学习的核心是通过知识迁移打破小样本场景下“数据稀疏”的限制，其本质是利用源域（已有充足样本的旧型号格栅灯数据）与目标域（小样本的新型号格栅灯数据）的相似性，将源域的模型参数、特征表示等知识迁移至目标域，实现小样本下的高精度检测。

（一）核心概念与数学定义

源域：：包含旧型号格栅灯的光学图像集及数据分布

目标域：：包含新型号格栅灯的光学图像集及数据分布

任务：：Y为标签集（如缺陷类型、亮度值），为预测函数。迁移学习的目标是在或时，利用D_S和T_S优化（目标域预测函数）。

设源域模型为（θ_S为模型参数），目标域模型为。迁移学习通过约束θ_T与θ_S的相似度实现知识复用，数学表达为：

其中，L_T为目标域的损失函数（如交叉熵损失），为参数距离度量（如欧氏距离），λ为平衡因子（控制迁移强度，通常取 0.01~0.1）。

（二）小样本迁移的关键算法

适用于源域与目标域特征分布相似的场景，通过微调源域模型参数实现迁移。对于格栅灯缺陷检测，源域模型已学习到 “格栅结构、光斑分布、常见缺陷特征” 等通用知识，可固定底层参数（如卷积层权重），仅微调顶层参数适配目标域：。

其中，θ'_S’为源域模型的冻结参数（如前3层卷积核），△θ为目标域数据训练的微调量（通过梯度下降求解）。通过源域数据学习通用特征映射函数，将目标域数据映射至该特征空间，再用小样本训练分类器。对于格栅灯的缺陷检测，特征映射函数可表示为：。

其中，为卷积操作（ω为源域训练的卷积核），为池化操作，通过该映射可提取格栅灯的边缘、缺陷轮廓、亮度梯度等鲁棒特征。针对源域与目标域分布差异，通过最小化分布距离实现迁移。常用的最大均值差异（MMD）度量两域分布差异：

其中，为再生核希尔伯特空间，为核映射函数（如高斯核）。通过在损失函数中加入MMD约束，可使目标域特征分布逼近源域：

（γ为分布对齐系数，通常取0.05~0.2）

以 “新型格栅灯的光斑偏移、灯罩裂纹等缺陷检测” 为例（目标域样本量仅80张），说明迁移学习在小样本场景下的应用步骤。

（一）数据预处理与源域模型构建

源域数据：收集5000张旧型号格栅灯的光学图像（含正常样本及光斑偏移、裂纹、污渍等缺陷样本），经灰度化（减少计算量）、高斯滤波（5×5核去除噪声）、直方图均衡化（增强缺陷对比度）处理后，标注缺陷类型标签（0-正常，1-亮斑，2-暗斑）。

目标域数据：80张新型号格栅灯图像（同预处理方法），标注标签，并通过旋转（±15°）、缩放（0.8-1.2倍）、光照扰动（亮度 ±20%）等数据增强手段扩充至240张。

构建基于CNN的缺陷检测模型f_S，网络结构包括4个卷积层（提取缺陷特征）、2个池化层（降维）和2个全连接层（输出缺陷类别概率），损失函数为交叉熵损失：

其中，为标签（1表示第c类缺陷，0否则），为模型预测的第c类概率。训练至源域验证集准确率达95%，保存模型参数θ_S。
（二）知识迁移与目标域模型训练

冻结源域模型的前2个卷积层参数（保留格栅结构、基础缺陷特征的提取能力），替换顶层全连接层为新网络（适应目标域缺陷类别）。

用目标域数据训练微调模型，损失函数为： 。其中，λ=0.05（平衡参数），通过Adam优化器（学习率 0.0001）求解θ_T。

（三）模型评估与检测实现

 缺陷检测准确率：。
缺陷召回率：（衡量漏检率）。
模型收敛速度：达到目标准确率（>90%）所需的迭代次数。

输入新型格栅灯图像，经预处理（灰度化、滤波）后通过特征映射函数提取特征。

目标域模型输出缺陷类别及置信度，结合模板匹配的纠偏结果，定位缺陷位置并计算缺陷严重程度参数（如亮暗斑大小形状）。

（一）解决小样本问题的核心优势

（二）实验数据对比

迁移学习通过知识复用有效解决了格栅灯小样本缺陷检测的难题，其核心在于通过参数迁移、特征映射和分布对齐，在样本量有限的情况下实现高精度检测。实验表明，该算法在新型号格栅灯的光学缺陷检测中，准确率可达82%以上，且训练效率提升4 倍，为格栅灯的快速迭代检测提供了技术支撑。

随着深度学习技术的发展，未来可结合注意力机制实现动态特征迁移（聚焦关键缺陷区域），或融合元学习进一步提升极小样本（<30张）场景的检测性能，推动光学检测向低成本、高效率、高适应性方向发展。