基于轻量化与知识蒸馏的边缘端工业实时缺陷检测与自适应分类系统设计.docxVIP

PAGE2

基于轻量化与知识蒸馏的边缘端工业实时缺陷检测与自适应分类系统设计

摘要

工业产品表面缺陷检测是智能制造的关键环节，传统人工目检效率低、一致性差，而基于深度学习的检测方案在边缘端部署时面临算力与精度难以兼顾的困境。本课题设计并实现了一种基于轻量化卷积神经网络与知识蒸馏的边缘端工业实时缺陷检测与自适应分类系统。系统以教师-学生网络架构为核心，通过知识蒸馏将高精度大型模型的知识迁移至轻量化学生网络，同时设计专用的轻量化特征提取模块，在保证检测精度的前提下大幅降低模型参数量与计算延迟。

论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路展开。首先分析工业现场对实时缺陷检测的功能与性能需求，明确边缘端低延迟、高精度的设计目标；随后进行系统总体架构设计，划分数据采集、模型推理、结果处理等功能模块；在详细设计阶段，重点阐述知识蒸馏算法、轻量化网络结构及推理引擎优化策略；实现阶段展示基于NVIDIAJetsonNano的部署方案与关键技术难点攻克；测试阶段通过功能测试与性能测试验证系统指标。核心创新点在于提出一种适合工业场景的渐进式知识蒸馏策略，并结合TensorRT推理优化，使系统在边缘设备上实现每秒超过30帧的推理速度，缺陷分类准确率达到96.8%，为工业视觉实时检测提供了一种轻量且高效的解决方案。

第一章绪论

1.1研究背景

在工业智能制造背景下，产