人工智能自诞生以来，经历了早期的专家系统、机器学习，到当前持续火热的深度学习和大模型等多次技术变革和规模化商用。随着算力、算法和软件平台的快速进步和不断成熟，工业逐渐成为了深度学习技术的重点探索方向，工业AI智能技术应用而生。

基于深度学习的工业缺陷检测方法可以降低传统人工质检的成本，提升检测的准确性与效率，因而在智能制造中扮演重要角色。

传统的机器学习和深度学习技术都依赖大量的标注数据，并在监督下训练出表现优异以及具备一定泛化能力的模型。但随着感知环境和应用场景的变化，模型的训练会存在以下问题：

（1）缺陷样本匮乏，生产过程中缺陷数据的数量和种类较少，数据不均衡，无法穷举生产过程中缺陷的种类和形态。

（2）数据的标注和清洗周期长，需要耗费大量的人力和物力。

（3）训练好的模型性能会大幅度下降，重新训练周期成本高。

（4）多模态数据的跨域学习和特征级数据融合。

上述问题都成为工业AI落地的障碍，如何解决数据标注效率、跨域学习、以及数据管理等问题，训练更具泛化性、鲁棒性和场景适应性的模型成为学术界和工业界面临的共同课题。

对于一些传统方法无法有效解决的场景，如微小缺陷和瑕疵的检测、非结构化环境下的物体分拣等，可以归类为“少因素高复杂度”的问题，是深度学习发挥重要作用的领域，目前也是工业AI落地应用较多的场景，而随着场景机理的计算复杂度提升，深度学习可以发挥更大的作用。

为了提升深度学习在工业领域的落地效率，降低项目实施和部署的周期，华汉伟业主要从以下几个方面进行技术探索和实践：

（1）缺陷数据生成：利用人工智能技术自动完成缺陷仿真数据的生成，基于AIGC技术建立现实世界到数字世界的映射关系，将现实世界中工件的物理属性（如物体的大小、纹理、颜色等）高效、可感知的实现数字化，可以基于少量样本实现多种属性样本的生成，从而解决缺陷样本匮乏的问题。

（2）数据管理：生产过程中，有多条产线、多个工位的数据需要进行管理，需要人工进行数据的管控，缺乏数据的管理系统，方便后续的继承和持续训练。华汉伟业通过数字化技术，实现多工位、多场景的数据系统化管控，降低人为因素对数据管控的影响。

（3）数据标注：当前监督学习仍为工业AI落地的技术方向，为了提升标注效率，降低标注的时间消耗，华汉伟业从交互式标注入手，提升标注效率，并且提供了多种选择，如基于二值化的标注、基于特征分割的标注、基于大模型的标注，满足多样化的标注需求。

（4）多模态数据融合：工业生产过产中，很多缺陷无法从某一特定角度或者单一传感器全部拍摄出来，需要多角度光源照射、多传感器协同拍摄，实现多种瑕疵缺陷的可视化。为了提升多角度、多姿态图像特征级别的融合，提升缺陷检测准确率，华汉伟业从多模态特征融合、基于图像数据流的特征融合等多方面进行技术探索，提升模型的泛化性能。

（5）降低样本数据依赖性：为了降低训练过程中对于样本的依赖，提升模型在不同产线和不同场景的适应能力，华汉伟业从小样本学习、迁移学习和异常检测，降低对缺陷样本数量的要求。