异常检测模型 – 铸造缺陷检测的边缘 AI

概述

异常检测模型是一个基于自编码器的异常检测系统，针对工业铸造缺陷检测进行了微调。它通过重建输入图像并分析重建误差，来识别金属铸造图像是正常（OK）还是有缺陷。

该模型专为边缘 AI 部署设计，通过 ONNX 和 OpenVINO IR 格式优化，可在低功耗 Intel 边缘设备上高效运行。

模型详情

• 架构： 卷积自编码器
• 框架： PyTorch
• 训练目标： 最小化正常样本的重建损失（MSE）
• 优化： 导出为 ONNX 和 OpenVINO IR 格式以进行边缘推理
• 任务： 无监督异常检测
• 领域： 工业视觉检测

仓库结构

├── casting_autoencoder.pth    # 训练好的 PyTorch 模型
├── casting_autoencoder.onnx   # ONNX 导出
├── model.bin                  # OpenVINO IR 模型
├── model.xml                  # OpenVINO IR 模型
├── model_card.yaml
├── requirements.txt           # 依赖项
├── inference.py               # 推理代码
└── README.md                  # 模型卡片（本文件）

数据集

数据集： 铸造产品图像数据集

• 类别： 有缺陷 / 正常
• 模态： 灰度工业图像
• 训练策略： 仅使用正常样本训练自编码器。

关键配置参数

• 图像尺寸：304×304 像素
• 批次大小：32
• 学习率：1e-3
• 训练轮数：10
• 损失函数：MSE 损失
• 优化器：Adam

模型输出

训练脚本生成：

• casting_autoencoder.pth - PyTorch 模型权重
• casting_autoencoder.onnx - 用于部署的 ONNX 导出
• 基于缺陷样本校准的异常阈值

异常检测流程

1. 训练阶段：模型学习重建正常的铸造图像
2. 阈值校准：使用缺陷样本确定最优阈值
3. 推理：重建误差 > 阈值的图像被标记为有缺陷

性能

• 最终训练损失：0.0005
• 建议阈值：0.0004
• 模型类型：无监督异常检测
• 架构：卷积自编码器

应用场景

该模型适用于：

• 金属铸造制造中的质量控制
• 生产线上的实时缺陷检测
• 自动化视觉检测系统
• 工业环境中的边缘部署

模型特性

• 无监督学习：仅在正常样本上训练
• 实时能力：针对边缘部署进行了优化
• ONNX 兼容：可用于生产部署
• 自动阈值：自校准异常检测
• 工业级：在真实制造数据上测试

技术细节

该模型采用对称的编码器-解码器架构：

• 步幅为 2 的卷积用于下采样
• 转置卷积用于上采样
• 隐藏层使用 ReLU 激活函数
• 输出层使用 Sigmoid 激活函数进行像素重建

导出与部署

边缘优化： 模型使用 openvino.convert_model() 进行转换和优化。

预期用途

• 制造/质检系统的自动化视觉检测。
• 工业环境中的实时边缘部署。

不推荐用于：

• 非工业数据集。
• 存在显著域漂移的场景（例如，光照变化或非铸造物体）。

局限性

• 准确性取决于光照和背景的一致性。
• 模型主要在灰度铸造图像上训练。
• 异常检测的阈值必须针对特定部署环境进行调整。

许可证

本项目采用 MIT 许可证发布。

作者

Arunima Surendran
应用 AI 工程师
GitHub 仓库