面向工业质检的缺陷检测AI模型嵌入式部署.docxVIP

PAGE2

面向工业质检的缺陷检测AI模型嵌入式部署

摘要

随着智能制造的快速演进，传统工业质检依赖人工目视或云端推理，面临效率低下、延迟过高与隐私泄露等痛点。本课题面向生产线产品表面缺陷实时检测需求，设计并实现了一种基于类脑计算芯片与边缘计算盒子的AI模型嵌入式部署方案。

本方案将视觉检测模型移植至边缘端，实现产线缺陷的实时识别与硬件自动剔除。全文遵循工程递进思路展开：首先进行需求分析，明确实时性与低功耗约束；其次开展总体与详细设计，构建软硬件协同的类脑推理架构；随后完成系统实现，重点突破模型量化与算子适配难点；最终通过测试验证系统达标。

核心创新在于引入类脑脉冲神经网络（SNN）与LIF神经元模型，结合CNN-SNN混合架构，在边缘端实现了微秒级低功耗推理，为工业视觉质检提供了高效的神经形态计算落地范式。

第一章绪论

1.1研究背景

在现代工业制造领域，产品表面缺陷质检是保障出厂质量与控制生产成本的核心环节。传统的人工目视质检方式不仅效率低下，且极易受工人疲劳与主观经验影响，导致漏检率居高不下。随着产线节拍不断加快，人工质检已难以满足大规模连续生产的质量管控需求。

近年来，基于深度学习的视觉检测模型在缺陷识别精度上取得突破，但主流方案高度依赖云端服务器进行推理计算。云端部署模式在面对海量工业视频流时，常受限于网络带宽波动与传输延迟，无法满足产线毫秒级实时响应的严苛要求