TinyDefectNet：面向高吞吐量制造视觉质量检验的高度紧凑深度神经网络架构

制造过程中的一个关键环节是对所制造部件进行缺陷与瑕疵的视觉质量检验。仅依赖人工的视觉检验可能非常耗时费力，并且尤其在高吞吐量制造场景下成为显著瓶颈。鉴于深度学习领域的重大进展，自动化视觉质量检验可在制造过程中实现高效且可靠的缺陷与瑕疵检测。然而，深度学习驱动的视觉检验方法往往需大量计算资源，从而限制了吞吐量，并成为阻碍智能工厂广泛采用的瓶颈。在本研究中，我们探究利用机器驱动的设计探索方法创建 TinyDefectNet——一种专为高吞吐量制造视觉质量检验量身定制的高度紧凑深度卷积网络架构。TinyDefectNet 仅含约 427K 参数，计算复杂度为约 97M FLOPs，却在 NEU 缺陷基准数据集的表面缺陷检测任务上达到最先进架构的检测精度。因此，TinyDefectNet 能以 52$\times$ 更低的架构复杂度和 11 倍更低的计算复杂度实现同等检测性能。此外，TinyDefectNet 部署于 AMD EPYC 7R32，在原生 Tensorflow 环境下实现了 7.6 倍更快的吞吐量，在使用 AMD ZenDNN 加速库时实现了 9 倍更快的吞吐量。最后，我们执行了可解释性驱动的性能验证策略，以确保 TinyDefectNet 展现出正确的决策行为，从而提升操作员与检验员对其使用的信任。