面向边缘的高效视觉异常检测：在资源受限设备上实现实时工业检测
计算机视觉与模式识别
2026-03-24 v1
摘要
视觉异常检测（VAD）对于工业质量控制至关重要，可实现制造过程中的自动缺陷检测。在实际产线中，VAD 系统必须满足严格的实时性和隐私性要求，这 necessitates 从云端处理向本地边缘部署的转变。然而，在边缘设备上本地处理数据会引入新的挑战，因为边缘硬件的内存和计算资源有限。为克服这些限制，我们提出了两种面向边缘部署的高效 VAD 方法：PatchCore-Lite 和 Padim-Lite，分别基于流行的 PatchCore 和 PaDiM 模型。PatchCore-Lite 首先在产品量化内存库上进行粗搜索，然后在解码子集上进行精确搜索。Padim-Lite 通过对角协方差加速，将马氏距离转化为高效的逐元素计算。我们在 MVTec AD 和 VisA 基准数据集上评估了所提方法，并展示了其在边缘环境中的适用性。PatchCore-Lite 实现了惊人的 79% 总内存占用减少，而 Padim-Lite 通过 77% 的总内存减少和 31% 的推理时间减少实现了显著的效率提升。这些结果表明 VAD 可以有效部署在边缘设备上，实现实时、私密且经济的工业检测。
引用
@article{arxiv.2603.20288,
title = {Efficient Visual Anomaly Detection at the Edge: Enabling Real-Time Industrial Inspection on Resource-Constrained Devices},
author = {Arianna Stropeni and Fabrizio Genilotti and Francesco Borsatti and Manuel Barusco and Davide Dalle Pezze and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2603.20288},
year = {2026}
}