工业缺陷检测的新范式：2025-2026年零样本检测技术全景扫描

搞了这么多年工业视觉，我发现一个让人头疼的问题：每次换个产品线，就得重新标数据、训练模型。更要命的是，很多工厂根本拿不出足够的缺陷样本——毕竟良品率高是好事，但对 AI 来说就是"巧妇难为无米之炊"。

最近翻了一圈 ArXiv，发现零样本缺陷检测（Zero-Shot Defect Detection）在 2025-2026 年有了不少新进展。今天就来聊聊这个话题，看看学术界都在玩什么新花样。

为什么需要零样本？

传统的缺陷检测是这么玩的：

1. 收集大量正常样本和缺陷样本
2. 人工标注缺陷位置
3. 训练深度学习模型
4. 部署到产线

听起来很美好，但现实是：

• 数据稀缺：新产品线没有历史缺陷数据
• 标注成本高：像素级标注一张图可能要 10-30 分钟
• 产品多样化：定制化生产导致每批产品都不一样
• 跨域泛化差：换个光照、换个相机，模型就不行了

零样本检测的核心思想是：不需要目标域的训练数据，直接检测缺陷。听起来像魔法，但确实有人在做。

六大技术路线

我整理了 2025-2026 年发表的 6 篇代表性论文，大致可以分为三类技术路线：

1. 视觉-语言模型（VLM）路线

代表论文：Towards Cognitive Defect Analysis in Active Infrared Thermography（2026-03）

这篇论文用的是碳纤维增强聚合物（CFRP）的热成像检测场景。核心创新是把 CLIP、GroundingDINO、Qwen-VL 这些多模态大模型用到工业检测上。