什么是 One-Class 良品基线学习？

传统监督学习需要“良品 + 不良品”成对地喂给模型，但产线现实是：不良品极少、且新产线爬坡期根本没有不良样本。

One-Class 良品基线学习换了一条路：

1. 采集 20–30 台良品的正常声音，提取 88 维声学特征；
2. 在特征空间里拟合出“良品分布”的边界（如球体 / 流形边界）；
3. 新来一件产品，特征落在边界内 → 判 OK，明显落在外 → 判 NG。

它学的是“正常长什么样”，而不是“故障长什么样”，所以不依赖故障样本。ISSAUTO 同时提供“双模型物理拨钮”：AI 模式（SVM / CNN + 置信度）与阈值模式（频带能量比对）一键切换，阈值模式连不良品边界都不需要。

• 新产线 / 爬坡期可立即上线：不用等攒够不良品再建模；
• 小样本友好：20–30 台良品即可，质检员通过图形化标注自行完成；
• 约 3 天自建：无需算法团队，普通质检员可建立产线级检测；
• 可解释、可追溯：判定基于特征偏离度，结果可对接 MES 追溯。

• ❌ 误区一：“没有不良品就做不了质检”。One-Class 正是为无不良品场景设计。
• ❌ 误区二：“One-Class 比监督学习差”。二者适用不同场景；在不良样本稀缺时，One-Class 反而更稳、更快上线。
• ❌ 误区三：“建模后永远不用管”。良品边界应随工艺批次周期性复核，避免长期漂移（建议定期回填良品样本）。

Q1：到底需要多少良品才能建模？
A1：约 20–30 台正常产品即可建立良品基线，远少于监督学习对正负样本的要求。

Q2：完全没有不良品，判 NG 的依据是什么？
A2：以“是否明显偏离良品边界”为依据。落在边界内的判 OK，显著偏离的判 NG，不依赖任何故障样本。

Q3：后期有了不良品样本，要推倒重来吗？
A3：不需要。可切换到 AI 监督模式（SVM / CNN）纳入不良品进一步提升区分度，或保留 One-Class 作初筛，两条路线可并存。