戴顿大学研究：预训练AI模型CLIP助力工厂少样本缺陷检测
2026年10月22日
戴顿大学（University of Dayton）统计学家英朱陈（Yingzhu Chen）联合国际研究团队，展示了一种利用人工智能进行工厂部件缺陷检测的新方法。该研究成果发表于《质量技术期刊》（Journal of Quality Technology），DOI: 10.1080/00224065.2026.2640171。
传统自动化视觉检查系统依赖大量标记数据才能识别裂痕或不良接缝等缺陷。在系统投入运行前，通常需要收集数千张带有标签的照片，这一过程耗时数月。对于中小型制造商而言，高昂的数据收集成本往往成为应用该技术的主要障碍。
针对这一痛点，研究团队探索了OpenAI开发的CLIP模型在制造业质量控制中的应用潜力。由于该模型已在数以亿计的日常图像上进行过预训练，它具备通用的视觉理解能力，无需从零开始学习缺陷特征。研究表明，仅需提供相对少量的特定缺陷示例，即可对该预训练模型进行调整，使其有效识别制造部件中的瑕疵。
英朱陈表示：“自动化视觉检查并非新技术，但许多现有方法需要大量的标记数据。我们的目标是研究预先训练的人工智能模型如何只使用少量例子识别缺陷，以及该方法是否可以在不同的制造检查问题上工作。”她进一步指出，这项研究对当地及其他地区的制造业和航空航天公司具有重要意义。
该团队在多个制造检查场景中测试了这一方法，验证了其通过少数图像调整预训练AI模型的可行性。论文作者包括Fadel Mounir Megahed等人。研究不仅展示了技术效果，还提供了关于如何应用和评估该方法的实用指导，并详细讨论了其优势与局限性。
