把工业质检模型送上产线：RT-Thread 边缘 AI 的落地方法

2026-09-03 48 预计阅读时间: 1 分钟
来源: oschina.net AI 摘要 Original link

Disclaimer: This article is an AI-assisted summary. Read it together with the original source when precision matters. The summary may omit context, version differences, or edge cases and is not official documentation.

预计阅读时间：10 分钟

工业质检是 AI 在制造业中较成熟的应用之一。划痕、裂纹、漏装和装配偏差，机器视觉可以持续工作，也能用一致的标准替代疲劳的人眼检查。

真正的难点却不在于“训练一个模型”。不同工件、不同光照、不同工艺阶段对应着不同缺陷，企业往往需要重新采集数据、标注样本、训练模型，再将模型部署到产线设备。这个过程短则几个月，长则超过一年。

RT-Thread 公布工业质检 AI 命题的价值，正在于把问题拉回工程现场：模型如何运行在资源受限的边缘设备上？摄像头、推理任务和产线信号如何协同？开发者怎样用更短的周期做出可以验证的原型？

工业质检的瓶颈不是单点算法

一套可用的质检系统，至少包含四个环节：

  1. 稳定采集：固定相机、镜头、光源和工件位置，减少环境变化对模型的影响。
  2. 缺陷定义：明确什么算缺陷、缺陷等级如何划分，以及误检和漏检哪个代价更高。
  3. 边缘推理：把模型放到靠近产线的位置，降低网络依赖和响应延迟。
  4. 结果联动：推理结果需要触发蜂鸣器、指示灯、继电器、机械臂或上位机，而不是停留在屏幕上的分类标签。

这也是工业质检区别于普通图片分类 demo 的地方。模型准确率只是指标之一，现场还要关注单帧延迟、连续运行稳定性、内存占用、异常恢复和数据追溯。

RT-Thread 适合承载哪些工作

在边缘设备上，RT-Thread 可以负责组织实时任务和硬件资源。例如：

  • 摄像头采集任务负责获取图像帧；
  • 图像预处理任务负责裁剪、缩放和归一化；
  • AI 推理任务负责调用已经转换好的轻量模型；
  • 产线控制任务负责根据结果驱动 GPIO、继电器或通信接口；
  • 日志任务负责记录置信度、耗时和设备状态。

任务之间可以通过消息队列或内存池传递数据。这样做的好处是，采集、推理和控制不会全部堆在一个循环里，后续替换模型或调整摄像头驱动时，影响范围也更清晰。

需要明确的是，RT-Thread 本身不会自动解决数据质量和模型泛化问题。开发者仍然需要针对具体工件采集样本，并根据设备的 CPU、内存和加速能力选择合适的模型规模。

一个可改造的边缘质检任务

下面的 C 代码是一个最小化的 RT-Thread 风格示例。它假设项目已经提供 camera_capture、ai_infer 和 line_set_reject 三个硬件或推理适配函数。将这些函数替换为实际 BSP、摄像头驱动和推理库接口后，可以作为任务编排的起点。

#include <rtthread.h>
#include <stdint.h>

#define FRAME_QUEUE_SIZE  2
#define DEFECT_THRESHOLD  0.80f

typedef struct {
    uint8_t *data;
    uint32_t size;
    uint32_t frame_id;
} frame_t;

typedef struct {
    float defect_score;
    uint32_t inference_ms;
} infer_result_t;

static rt_mq_t frame_mq;

/* Replace these adapters with the camera, AI runtime, and line-control APIs. */
extern int camera_capture(uint8_t **data, uint32_t *size);
extern int ai_infer(const uint8_t *data, uint32_t size, infer_result_t *result);
extern void line_set_reject(int rejected);
extern void release_frame(uint8_t *data);

static void vision_thread_entry(void *parameter)
{
    frame_t frame;
    infer_result_t result;

    while (1) {
        if (rt_mq_recv(frame_mq, &frame, sizeof(frame), RT_WAITING_FOREVER) == RT_EOK) {
            if (ai_infer(frame.data, frame.size, &result) == 0) {
                line_set_reject(result.defect_score >= DEFECT_THRESHOLD);
                rt_kprintf("frame=%u score=%.3f latency=%ums\\n",
                           frame.frame_id,
                           result.defect_score,
                           result.inference_ms);
            } else {
                /* A failed inference should enter a known production state. */
                line_set_reject(1);
            }
            release_frame(frame.data);
        }
    }
}

static void camera_thread_entry(void *parameter)
{
    static uint32_t frame_id;
    frame_t frame;

    while (1) {
        frame.data = RT_NULL;
        frame.size = 0;

        if (camera_capture(&frame.data, &frame.size) == 0) {
            frame.frame_id = frame_id++;
            if (rt_mq_send_wait(frame_mq, &frame, sizeof(frame), 20) != RT_EOK) {
                /* Drop the frame when the queue is full to protect real-time behavior. */
                release_frame(frame.data);
            }
        }
        rt_thread_mdelay(10);
    }
}

int inspection_app_init(void)
{
    rt_thread_t camera_thread;
    rt_thread_t vision_thread;

    frame_mq = rt_mq_create("frames", sizeof(frame_t),
                            FRAME_QUEUE_SIZE, RT_IPC_FLAG_FIFO);
    if (frame_mq == RT_NULL) {
        return -1;
    }

    camera_thread = rt_thread_create("camera", camera_thread_entry, RT_NULL,
                                     2048, 15, 10);
    vision_thread = rt_thread_create("vision", vision_thread_entry, RT_NULL,
                                     4096, 10, 10);
    if (camera_thread == RT_NULL || vision_thread == RT_NULL) {
        return -1;
    }

    rt_thread_startup(camera_thread);
    rt_thread_startup(vision_thread);
    return 0;
}
INIT_APP_EXPORT(inspection_app_init);

这个示例有几个值得保留的工程决策：队列长度很小，避免图像在内存中无限堆积；推理失败时进入明确的拒检状态；每帧记录置信度和耗时，便于定位现场问题。实际项目还需要增加超时、看门狗、传感器触发、模型版本和结果上传机制。

从数据到产线的最小闭环

可以把一次命题实践拆成一条可验证的流水线：

# 1. 准备按类别组织的样本目录
mkdir -p dataset/{ok,scratch,crack,assembly_error}

# 2. 训练阶段导出适合边缘设备的模型
python train.py \
  --data dataset \
  --input-size 224 \
  --epochs 50 \
  --export model/inspection.tflite

# 3. 根据目标芯片和推理框架做量化或转换
python convert_model.py \
  --input model/inspection.tflite \
  --output model/inspection_int8.bin \
  --quantize int8

# 4. 将模型和固件资源写入开发板，再查看推理日志
python flash_assets.py --model model/inspection_int8.bin --port /dev/ttyUSB0
python monitor.py --port /dev/ttyUSB0 --baudrate 115200

这里的 train.py、convert_model.py 和 flash_assets.py 是项目适配脚本，不是 RT-Thread 的固定命令。它们分别对应训练、模型转换和资源烧录三个阶段。真实使用时，应根据所选的芯片、AI 推理库和工具链替换命令。

验证时不要只拿一张“效果最好”的图片。至少要记录以下数据：

  • 正常件和各类缺陷件的召回率；
  • 连续运行时的平均延迟和 P95 延迟；
  • 光照、角度、速度变化下的误检率；
  • 模型、固件和样本集的版本；
  • 断电、重启、相机掉线和推理失败后的恢复行为。

适合开发者的切入方式

这类命题不要求一开始就复刻完整工厂系统。更稳妥的路径是先固定一个缺陷类型和一个采集条件，完成“图像输入到控制输出”的闭环，再逐步扩大数据范围。

建议按下面的顺序推进：

  1. 先用少量真实样本跑通离线推理，确认标签定义没有歧义。
  2. 将模型压缩或量化，测量目标板上的内存、延迟和温度。
  3. 接入相机和触发信号，验证连续采集不会丢帧或阻塞控制任务。
  4. 加入异常状态处理，让相机断开、模型失败和队列满都有可观察结果。
  5. 最后才调节阈值，并用现场误检与漏检样本持续迭代。

工业质检 AI 的门槛，正在从“能不能训练模型”转向“能不能把模型稳定地放进设备和流程”。RT-Thread 提供了一个适合组织实时任务、驱动和边缘应用的基础环境，而真正决定项目价值的，仍然是数据闭环、现场约束和可维护的部署方式。

落地检查清单

  • [ ] 缺陷类别和判定标准已经明确
  • [ ] 采集环境和样本覆盖了主要现场变化
  • [ ] 模型已在目标硬件上完成延迟和内存测试
  • [ ] 推理失败、相机掉线和设备重启都有处理策略
  • [ ] 检测结果能够驱动实际产线动作
  • [ ] 日志包含模型版本、帧号、置信度和耗时
  • [ ] 阈值调整有真实样本和误检漏检数据支撑
# AI # 全栈 # 开源 # 开源中国

相关推荐