基于知识蒸馏和量化的边缘设备统一异常检测方法

随着工业4.0的发展，深度学习和智能制造推动了高吞吐量、高性能和完全集成的视觉检测系统的出现。研究发现，多类模型在MVTec AD数据集上的性能与单类模型相当，证明了学习单独的物体/类别模型可能是不必要的。通过在不同设备上部署统一轻量级架构，分析了量化的多类异常检测模型在边缘设备上的延迟和内存需求，并比较了不同精度位宽下的性能。研究还探索了后训练场景中的两种不同校准方法，并发现其中一种性能更好。通过量化，后训练量化的性能下降得到了补偿，与原始32位浮点数相比，量化感知训练呈现出相当的性能。