药片缺陷检测是药片生产过程中的关键环节，其检测结果的好坏直接影响着药品的质量。传统视觉检测通过二值化处理和高斯滤波等消除背景的干扰，提取有效区域的特征，但背景或产品本身图案特别复杂时，提取特征过程会很复杂，且依赖于人工干预。而采用深度学习进行视觉检测时，通过对瑕疵做大量的样品采样、训练，可达到自动检出的目的。

但深度学习同样面临巨大的挑战，即往往需要大量的样本对模型进行训练，才能达到很好的效果，但瑕疵的发生率在生产阶段可能只有千分之一，缺陷样本数据的不充足使得需要海量数据训练的神经网络模型并不精准，那如何利用很少的数据训练高精度的样本模型呢？小样本学习必不可少。

顾名思义，小样本学习主要研究如何通过少量样本学习识别模型，目前主流方法从数据、模型、优化三个方面行划分，数据指的是数据量少，难以训练出鲁棒的识别模型，因此扩充数据可以有效解决小样本问题；模型是指如何利用辅助数据学习鲁棒的，泛化性强的模型；优化是指如何设计优化方法来避免小样本数据带来的过拟合现象。那针对药片缺陷检测，如何设计基于小样本深度学习的高精度视觉检测方案呢？

12月30日晚7点，智东西公开课邀请到心鉴智控CEO罗晓忠参与到深度学习工业质检合辑第3讲，带来主题为《基于小样本深度学习的药片缺陷检测方案设计与应用》的直播讲解。在本次讲解中，罗晓忠老师将从药片缺陷检测的重要性和研究现状展开，分析传统视觉检测的不足，并详细介绍基于小样本深度学习的药片缺陷检测方案及其应用。