遷移學習的**是通過知識遷移打破小樣本場景下“數據稀疏”的限制，其本質是利用源域（已有充足樣本的舊型號格柵燈數據）與目標域（小樣本的新型號格柵燈數據）的相似性，將源域的模型參數、特征表示等知識遷移至目標域，實現小樣本下的高精度檢測。

（一）**概念與數學定義

源域：：包含舊型號格柵燈的光學圖像集及數據分布

目標域：：包含新型號格柵燈的光學圖像集及數據分布

任務：：Y為標簽集（如缺陷類型、亮度值），為預測函數。遷移學習的目標是在或時，利用D_S和T_S優化（目標域預測函數）。

設源域模型為（θ_S為模型參數），目標域模型為。遷移學習通過約束θ_T與θ_S的相似度實現知識復用，數學表達為：

其中，L_T為目標域的損失函數（如交叉熵損失），為參數距離度量（如歐氏距離），λ為平衡因子（控制遷移強度，通常取 0.01~0.1）。

（二）小樣本遷移的關鍵算法

適用于源域與目標域特征分布相似的場景，通過微調源域模型參數實現遷移。對于格柵燈缺陷檢測，源域模型已學習到 “格柵結構、光斑分布、常見缺陷特征” 等通用知識，可固定底層參數（如卷積層權重），*微調頂層參數適配目標域：。

其中，θ'_S’為源域模型的凍結參數（如**層卷積核），△θ為目標域數據訓練的微調量（通過梯度下降求解）。通過源域數據學習通用特征映射函數，將目標域數據映射至該特征空間，再用小樣本訓練分類器。對于格柵燈的缺陷檢測，特征映射函數可表示為：。

其中，為卷積操作（ω為源域訓練的卷積核），為池化操作，通過該映射可提取格柵燈的邊緣、缺陷輪廓、亮度梯度等魯棒特征。針對源域與目標域分布差異，通過*小化分布距離實現遷移。常用的**均值差異（MMD）度量兩域分布差異： 

其中，為再生核希爾伯特空間，為核映射函數（如高斯核）。通過在損失函數中加入MMD約束，可使目標域特征分布逼近源域：

（γ為分布對齊系數，通常取0.05~0.2）

以 “新型格柵燈的光斑偏移、燈罩裂紋等缺陷檢測” 為例（目標域樣本量*80張），說明遷移學習在小樣本場景下的應用步驟。

（一）數據預處理與源域模型構建

源域數據：收集5000張舊型號格柵燈的光學圖像（含正常樣本及光斑偏移、裂紋、污漬等缺陷樣本），經灰度化（減少計算量）、高斯濾波（5×5核去除噪聲）、直方圖均衡化（增強缺陷對比度）處理后，標注缺陷類型標簽（0-正常，1-亮斑，2-暗斑）。

目標域數據：80張新型號格柵燈圖像（同預處理方法），標注標簽，并通過旋轉（±15°）、縮放（0.8-1.2倍）、光照擾動（亮度 ±20%）等數據增強手段擴充至240張。

構建基于CNN的缺陷檢測模型f_S，網絡結構包括4個卷積層（提取缺陷特征）、2個池化層（降維）和2個全連接層（輸出缺陷類別概率），損失函數為交叉熵損失：

其中，為標簽（1表示第c類缺陷，0否則），為模型預測的第c類概率。訓練至源域驗證集準確率達95%，保存模型參數θ_S。
（二）知識遷移與目標域模型訓練

凍結源域模型的前2個卷積層參數（保留格柵結構、基礎缺陷特征的提取能力），替換頂層全連接層為新網絡（適應目標域缺陷類別）。

用目標域數據訓練微調模型，損失函數為： 。其中，λ=0.05（平衡參數），通過Adam優化器（學習率 0.0001）求解θ_T。

（三）模型評估與檢測實現

 缺陷檢測準確率：。
 缺陷召回率：（衡量漏檢率）。
 模型收斂速度：達到目標準確率（>90%）所需的迭代次數。

輸入新型格柵燈圖像，經預處理（灰度化、濾波）后通過特征映射函數提取特征。

目標域模型輸出缺陷類別及置信度，結合模板匹配的糾偏結果，定位缺陷位置并計算缺陷嚴重程度參數（如亮暗斑大小形狀）。

（一）解決小樣本問題的**優勢

（二）實驗數據對比

遷移學習通過知識復用有效解決了格柵燈小樣本缺陷檢測的難題，其**在于通過參數遷移、特征映射和分布對齊，在樣本量有限的情況下實現高精度檢測。實驗表明，該算法在新型號格柵燈的光學缺陷檢測中，準確率可達82%以上，且訓練效率提升4 倍，為格柵燈的快速迭代檢測提供了技術支撐。

隨著深度學習技術的發展，未來可結合注意力機制實現動態特征遷移（聚焦關鍵缺陷區域），或融合元學習進一步提升極小樣本（<30張）場景的檢測性能，推動光學檢測向低成本、高效率、高適應性方向發展。