适应性少样本学习：用于两光子光刻中鲁棒零件质量分类的框架
计算机视觉与模式识别
2026-01-15 v1 机器学习
摘要
两光子光刻（TPL）是一种先进的增材制造（AM）技术，用于制造高精度的微结构。虽然计算机视觉（CV）已被证明用于自动化质量控制，但现有模型通常是静态的，在动态制造环境中效果不佳。这些模型通常无法检测新出现的未知缺陷类别，无法从稀缺数据中高效更新，也无法适应新的零件几何形状。为解决这一问题，本文提出了一个适应性CV框架，用于整个质量模型生命周期的维护。该框架基于统一的、具有尺度鲁棒性的主干模型，集成了三个关键方法：（1）基于线性判别分析（LDA）的统计假设检验框架用于新奇检测；（2）基于再训练的两阶段少样本增量学习策略；（3）用于少样本域适应的少样本域对抗神经网络（DANN）。该框架在包含半球作为源域、立方体作为目标域结构的TPL数据集上进行评估，每个域分为良好、轻微损坏和损坏三个质量类别。假设检验方法以99-100%的准确率成功识别了新的类别批次。增量学习方法仅使用K=20个样本即可将新类别集成到模型中，达到92%的准确率。域适应模型弥合了严重的域间差距，在仅使用K=5个样本的情况下即可在目标域上实现96.19%的准确率。这些结果表明，本方法为在演化生产场景中部署和维护CV模型提供了稳健且数据高效的解决方案。
引用
@article{arxiv.2601.08885,
title = {Adaptive few-shot learning for robust part quality classification in two-photon lithography},
author = {Sixian Jia and Ruo-Syuan Mei and Chenhui Shao},
journal= {arXiv preprint arXiv:2601.08885},
year = {2026}
}