缺陷样本少时正常特征库有吸引力，但反光变化也可能给出高异常分。
PatchCore 使用正常局部特征记忆库比较距离，成像偏移同样会远离正常分布。数据覆盖、光学稳定与阈值决定现场工作点，热力图不是缺陷真值。
一、问题的范围与前提
成像质量、数据分布、算法与业务判断各自有条件。清晰图像提供可观察细节，模型和规则解释输入，业务层决定结果如何使用。视野、曝光、颜色、姿态与输入尺度变化，都可能在模型参数不变时改变结果。
二、技术分析与方案取舍
可把同一正常品在允许姿态与光照下重复拍摄，观察热点是否跟着反光移动。若是，先检查成像和正常覆盖；若热点稳定落在真实缺陷，再评价阈值。正常库中加入样本需防止实际缺陷污染，验证集保留独立困难样本。论文图像级 AUROC 反映相应基准，不直接等于现场某个阈值的检出率。
先固定输入和处理版本，保存必要中间产物，再比较单项变化。裁剪、缩放和配准要携带坐标关系，输出回到原图时检查尺度与偏移。数据按正常和困难条件分别组织，不把反光、遮挡或采集失败从报告中悄悄删掉。
三、实现与排查的顺序
- 重复拍摄正常对象。
- 检查热点与光照关系。
- 覆盖允许正常变化。
- 用独立缺陷集选阈值。
按这个顺序保留中间结果，可以区分输入条件、处理过程和最终输出。前一阶段的条件不成立时，先解释对应错误，再继续后面的试验；单次返回成功不足以覆盖整条链路。
最小示例
1
2
正常特征库 → 查询局部特征 → 距离分数 → 区域评价
独立验证：正常变化、真实缺陷、边界与反光
分数来自相对正常库的差异，不是缺陷真值。更新库改变分布，阈值需与模型、库和处理版本成对验证。
四、验证和结果解释
独立样本应覆盖预期工况，逐条预测与错误图支持复盘。分类、检测、定位和异常任务使用各自指标定义，阈值工作点与曲线指标不能混用。性能同时记录冷启动、稳态、尾部耗时和资源峰值，不挑最快一张代表整套系统。
| 需要验证的结果 | 保留的对照 | 不能由此推出的结论 |
|---|---|---|
| 反光误报可单独统计 | 固定输入与配置、对应输出 | 一次成功代表所有条件成功 |
| 训练库不混入缺陷 | 中断前后状态与错误阶段 | 没有报错代表结果正确 |
| 小缺陷与边界都有评估 | 恢复后的同条件复测 | 临时恢复代表根因已经消失 |
验证无目标、多候选、边界、遮挡和不同光照。没有有效观测时给出明确失败或待确认，不为每张图强行选一个目标。图像文件真实保存和完整解码也属于链路检查，热力图漂亮不能替代缺陷真值与业务验收。
五、适用边界与结论
正常学习不意味着能识别所有未知缺陷，公开基准不能替代现场验收。
这条路径把“重复拍摄正常对象”与“用独立缺陷集选阈值”连在一起，中间保留可复查的条件。实施时优先确认“反光误报可单独统计”，再检查“小缺陷与边界都有评估”；两者都满足，才能在当前样本与配置范围内评价方案。设备、数据或软件版本改变以后，相关假设需要重新验证。
