迅为电子基于RK182X算力卡的工业缺陷检测案例

导语：工厂质检费人又费眼，缺陷样本少，AI模型训不起来？本期分享一个基于RK182X算力卡的工业缺陷检测案例——用无监督PatchCore，只给一批正常产品图片，它就能自己学会识别异常，还能用热力图精准定位缺陷位置。全程本地推理，数据不出设备。

方案背景

在工业制造领域，产品外观质检一直是个大问题：

人工检：质检员长时间盯着工件，眼睛疲劳，漏检率高，效率低

传统AI检：需要大量标注好的缺陷样本，但实际产线上缺陷样本稀少，采集和标注成本极高；

上云检：带宽成本高、延迟大，产线数据涉及工艺隐私，企业不愿外传。

迅为基于RK3588主控 + RK182X算力卡平台，使用无监督PatchCore算法，打造了一套“只学正常，就能辨异常”的工业缺陷检测方案。本次案例以MVTec AD数据集中的bottle（瓶子）类别为例，完整演示训练、检测、定位、扩展全流程。

方案架构

主控：RK3588负责系统运行、Web界面、视频采集与显示

算力卡：RK182X负责DINOv3特征提取、记忆库构建、异常检测推理

算法：无监督PatchCore，仅需正常样本训练

应用层：Web工作台，可视化训练、测试、热力图与异常分数

核心优势：无需标注缺陷、本地化推理、训练快、可扩展、能定位。

案例演示

1.数据集准备：正常样本即可

进入Web工作台，选用MVTec AD数据集的bottle类别。该数据集包含209张正常瓶子图片，以及少量带划痕、裂纹、污渍的缺陷样本。训练时，只使用正常样本，缺陷样本仅用于后续测试验证。

2. 模型训练：构建“正常记忆库”

点击“训练”，系统调用算力卡上的 DINOv3视觉模型，对每一张正常样本提取深层特征，并将这些特征构建成一个“正常产品的记忆库”。整个过程无监督，不需要人工告诉它什么是缺陷。209张图片，几分钟即完成训练。

3. 缺陷检测：异常分数一目了然

模型训练完成后，进行测试：

输入一张有裂纹缺陷的瓶子图片，系统瞬间给出异常分数 2907，远超判定阈值，标出“异常”，并用热力图高亮裂纹区域；

输入一张正常瓶子图片，异常分数仅 228，低于阈值，判定为“合格”。

正常228 vs 缺陷2907，相差12倍多，判别非常清晰。

4. 热力图定位：知道哪里坏

热力图不仅告诉你“不合格”，还能把缺陷具体出现在哪个位置用颜色深浅标出来——颜色越深，异常越严重。质检人员可以直接定位到划痕、裂纹位置，方便返修或溯源。

5. 多类别扩展：不挑产品

MVTec数据集包含瓶子、电缆、皮革、坚果、螺丝等十几类工业产品。每一类，只要喂一批正常样本训练一次，就能建立对应的质检模型。半导体、汽车零部件、包装……都能用同一套流程落地。

方案价值无监督：不需要缺陷样本，正常图片就能训，解决样本稀缺难题

训练快：几分钟完成特征提取与记忆库构建

判别准：正常与缺陷异常分数差距大，误判率低

能定位：热力图直观呈现缺陷位置，辅助返修与溯源

可扩展：一套流程适配多类产品，快速复制到不同产线

全本地：数据不出设备，保障工艺隐私与安全

适用场景：工业质检、外观检测、缺陷筛查、半导体、汽车零部件、包装等。

关于RK182X算力卡

瑞芯微业界首款3D堆叠AI协处理器

20TOPS INT8算力，5GB板载显存

支持INT4/INT8/FP16，7B级大模型可跑

功耗低于5W，工作温度-40°C~85°C

M.2 2280标准形态，PCIe 2.0/USB 3.0接口

配套RKNN3工具链，PyTorch/ONNX一键转换

结语

本次案例展示的anomaly-detection例程，用一块RK182X算力卡 + 无监督PatchCore，实现了从“给正常样本”到“自动检出缺陷”的完整工业质检流程。能检测、能定位、能扩展、全本地化，对于有产品质检、外观检测、缺陷筛查需求的制造企业，这就是一套开箱即用的AI质检方案。

如果您对RK182X算力卡的更多行业解决方案感兴趣，欢迎联系北京迅为电子，获取技术资料与开发支持。