做工业视觉的团队常遇到一种尴尬:产线跑得越稳,缺陷样本越少。良品率上去了,一年攒下来的异常图片可能还不够训练一个分类器。工程师只能去调阈值、放宽判据,或者干脆放过那些一年只出现几次的缺陷类型。卡住他们的不是数据总量,而是数据里“错的那部分”。
缺的往往是长尾
正常样本从来不缺。摄像头一天拍几万张,硬盘很快就满。但模型真正需要学会分辨的,是那些罕见却代价高昂的情形:一道浅划痕、一次装配偏移、一种只在新批次材料上才出现的纹理。这类样本的出现频率低到无法靠等待积累,标注成本又高,还得依赖有经验的人来判断。
合成数据的切入点正在这里。它不是去复制已有的海量正常样本,而是有针对性地生成那些“本该出现却没出现”的情形。方向变了:从收集世界,变成按需构造世界。
生成容易,可信很难
把一张划痕贴到金属表面,几行代码就能做到。但这样造出来的图片,往往骗不过模型,也骗不过人。真实划痕有深度、有反光变化、有周边材料的塑性变形;贴图没有。模型很快学会分辨“这是贴上去的”,而不是“这是缺陷”。这种失败很难在训练曲线上看出来,损失照常下降,上线后才发现模型对真实缺陷依然迟钝。
所以真正可用的生成流程,通常要引入约束:物理渲染、光照与材质的合理建模、传感器噪声的模拟,以及在生成时随机化那些与任务无关的变量——背景、角度、亮度。目的是让模型学到与缺陷本身相关的特征,而不是记住某个固定的拍摄条件。这套做法在自动驾驶仿真里已经用了很久,搬到工业场景并不轻松,因为很多缺陷的成像机理本身就没被研究清楚。
验证环节最容易被跳过
一个常见的疏漏是:训练集里掺了合成数据,验证集也跟着掺。这样一来,指标会很好看,却说明不了任何问题。评估必须留在纯真实的数据上,哪怕那份数据小得让人心虚。小样本评估的方差很大,结论要谨慎,但至少方向是对的。
还有配比的问题。合成数据占多少合适,没有通用答案,取决于生成器与真实分布的接近程度。比例过高,模型会向生成器的偏好偏移;比例过低,又起不到补充作用。实践中更多是靠反复试,而不是靠公式。
它更像一种补充手段
围绕合成数据的讨论常走向两个极端:一边认为它能解决数据稀缺的一切问题,另一边认为生成的东西终究不可信。两种说法都太整齐。更贴近实际的理解是,它是一种补充手段——在真实数据够不着的地方补位,在真实数据充足的地方让路。
要不要用,可以先问三个问题:缺陷的成像机理是否清楚?生成器能否复现这种机理?真实评估集是否独立且足够干净?三个问题里有一个答不上来,收益就会打折。这不是技术能力的上限,而是使用前提。
回到开头那条产线。如果团队能把缺陷的成因、成像条件、判别标准写清楚,生成才有落脚点;如果连人自己也说不清什么是“那道划痕”,再好的生成模型也只是在放大模糊。工具能走多远,多半取决于提问有多具体。