📚 课程目录第4章参数迁移理论

4. 参数迁移理论：迁移学习在标定中的应用、域适应概念、参数漂移模型

各位好，我是老张。做了十几年工业视觉，我最大的感触就是：标定参数这东西，从来不是“标一次管一辈子”。产线换型号、换光源、换相机，甚至只是温度变了，参数就得重新来。但每次都从头标定，时间成本谁也扛不住。

这一章，我们就聊聊怎么把已有的标定参数“搬”到新场景里用。说白了，就是参数迁移。

先看一个真实场景。我去年帮一条手机中框检测线做方案。产线每天换 3 种型号，每种型号的夹具位置、打光角度都不一样。如果每次换型都重新标定，至少花 15 分钟。一天下来，光标定就占掉 45 分钟。

你想想看，这 45 分钟要是能省下来，一年能多产多少件？

参数迁移要解决的核心问题就是：如何利用已有的标定数据，快速适配新场景。它不是什么玄学，而是基于一个朴素的观察——大多数场景变化是连续的、局部的，不是翻天覆地的。

  核心观点： 参数迁移不是“万能药”，它适用于变化可控的场景。如果相机位置都挪了 10 公分，那还是老老实实重新标吧。

迁移学习，这个词在深度学习里很火。但在工业标定里，它的思路其实更简单。

我个人的理解是：迁移学习 = 借力。把在源场景（比如型号 A）上学到的标定模型，用到目标场景（型号 B）上，只做少量调整。

具体到标定参数迁移，有三种常见做法：

方法	原理	适用场景	我踩过的坑
参数微调	用目标场景的少量样本，微调源场景的标定模型	光源强度、曝光时间变化	微调样本太少，模型过拟合，反而比不调还差
特征对齐	将源和目标场景的特征映射到同一空间	不同型号但结构相似的工件	特征选择不对，对齐后精度反而下降
权重共享	固定部分网络层，只训练任务相关层	相机畸变参数迁移	共享层选得太深，底层特征差异大，模型不收敛

我的建议： 刚开始做参数迁移时，先从“参数微调”入手。它最直观，也最容易调试。等跑通了，再尝试更复杂的方法。

域适应，是迁移学习的一个子集。它解决的是源域和目标域分布不一致的问题。

举个例子。你在实验室里标定了一套参数，光照均匀、温度恒定、工件摆放整齐。到了产线，光照有阴影、温度波动、工件可能歪着放。这就是典型的域偏移。

域适应的目标就是：让模型在源域（实验室）学到的知识，能在目标域（产线）上同样好用。

我遇到过最头疼的情况是：同一个工件，不同批次的表面反光特性不一样。标定参数在 A 批次上精度 0.02mm，换到 B 批次直接跳到 0.1mm。后来用域适应里的“对抗训练”方法，把反光特征对齐了，精度才回到 0.03mm。

域适应的几个关键点：

注意： 域适应不是万能的。如果源域和目标域的物理结构完全不同（比如从检测螺丝变成检测手机屏幕），那域适应基本没用。别硬上。

参数漂移，是工业现场最让人头疼的问题之一。它不是突然坏掉，而是慢慢偏离。

我记得有一次，一条产线的检测精度连续 3 个月都在缓慢下降。一开始以为是算法问题，查了两个月才发现，是相机固定支架因为热胀冷缩发生了微米级的形变。这就是典型的参数漂移。

参数漂移模型，就是用来描述这种漂移规律的数学工具。常见的漂移模型有：

实际产线上，往往是多种漂移叠加。比如温度引起的线性漂移，加上设备启停引起的周期性漂移，再加上随机噪声。

我曾经做过一个项目，用卡尔曼滤波来跟踪标定参数的漂移。效果还不错，能把漂移补偿到 90% 以上。但前提是：你得有可靠的反馈信号。比如，在产线上放一个标准件，定期拍照，用标准件的实际位置来反推参数漂移量。

  避坑指南： 我曾经以为漂移模型越复杂越好，结果搞了个 10 阶多项式，过拟合得一塌糊涂。后来学乖了：能用线性模型，就别用非线性。简单模型 + 定期校验，比复杂模型更可靠。

把上面这些串起来，参数迁移的整体流程是这样的：

这个框架看起来复杂，但核心就三步：

嗯，这里要注意：第三步往往被忽略。很多人做完迁移就以为万事大吉了，结果过了一个月精度又掉了。参数迁移不是一锤子买卖，它是个持续的过程。

我的习惯： 每次做完参数迁移，我都会在系统里加一个“漂移监控模块”。每天自动跑一次标准件，记录参数偏差。一旦偏差超过阈值，就触发自动补偿或报警。这样能省掉很多半夜被叫起来救火的痛苦。

这一章我们聊了参数迁移的三个核心概念：