一

（一）檢測流程割裂

傳統模式中，缺陷檢測依賴機器視覺的邊緣檢測算法（如 Canny 算子），顏色檢測則采用光譜儀或色度計，兩類設備獨立運行，需分別采集數據并人工比對結果，導致檢測效率低（單件檢測耗時≥30 秒）、數據關聯性差。

（二）小樣本場景制約

新車型發光件的材質、結構常發生變化（如從塑料燈罩改為玻璃材質），導致標注樣本不足（新型號樣本量通常≤50 張）。傳統機器學習模型（如 SVM、隨機森林）因數據稀疏性，泛化能力顯著下降，檢測準確率可低至 60% 以下。

（三） 環境干擾敏感

發光件的高反光特性導致圖像易出現光斑、陰影，傳統顏色檢測算法（如 RGB 差值法）受光照強度影響大。在此背景下，融合缺陷檢測與顏色檢測任務，并引入遷移學習技術復用已有數據知識，成為提升檢測效率與精度的關鍵方向。

二

三

（一）核心框架設計

融合檢測系統以 “特征共享 - 知識遷移 - 聯合優化” 為核心，分為三個模塊：跨模態特征提取模塊：通過雙分支網絡分別提取缺陷特征（空間分支）與顏色特征（光譜分支），并通過注意力機制融合關鍵特征；遷移學習模塊：復用源域模型的特征提取能力，通過參數遷移與分布對齊適應目標域小樣本數據；聯合決策模塊：輸出缺陷類型（如劃痕 / 裂紋）與顏色參數（ΔCx,ΔCy值），并通過置信度加權實現綜合質量判定。

（二）關鍵技術點與數學模型

跨模態特征融合

空間分支采用 CNN 提取缺陷特征：設圖像為，經卷積層與池化層處理后，輸出缺陷特征向量，表達式為：。

其中為池化層參數，為卷積核（源域預訓練得到）。光譜分支將 RGB 圖像轉換至 CIE Lab 空間，提取顏色特征向量，通過全連接層映射為：。其中為顏色空間轉換函數，為全連接層權重。融合特征通過注意力機制加權：。

其中為注意力權重，由特征重要性動態調整（如高反光區域α增大以抑制顏色干擾）。遷移學習機制參數遷移：凍結源域模型的底層卷積層參數（保留通用特征提取能力），僅微調頂層全連接層。目標域模型參數與源域參數的關系為：。

其中為凍結的源域參數（如前3層卷積核），為目標域微調量（通過 Adam優化器求解）。分布對齊：采用最大均值差異（MMD）最小化源域與目標域的特征分布差異：。

其中、分別為源域與目標域特征集，為核映射函數，H為再生核希爾伯特空間。聯合損失函數：綜合分類損失與分布對齊損失：。其中為缺陷分類交叉熵損失，為顏色偏差 MSE損失，λ=0.3、γ=0.05為平衡系數。環境干擾抑制通過多尺度高斯濾波（3×3 與 7×7 核）去除光斑噪聲，并引入光照魯棒性損失：

其中為原始圖像經光照擾動（亮度 ±30%）后的增強樣本，通過該損失提升模型對光照變化的適應性。

四