一种应用于工业缺陷检测的专家模型动态部署方法与流程

本发明涉及工业缺陷检测的，尤其是指一种应用于工业缺陷检测的专家模型动态部署方法。

背景技术：

1、在柔性工业检测场景下，同类型检测任务往往服务于多个客户，不同客户的检测需求存在显著差异；现有方案通常需为每个客户单独训练或微调检测模型，导致项目部署周期长、系统维护成本高。为实现多个预训练专家模型之间的按需调度，现有技术多采用基于静态多属性打分的调度方案：由领域专家为各项评价指标预先设定固定权重，再对各专家模型逐一打分排序，选取得分最高的模型作为调度结果。

2、上述现有技术存在以下不足：其一，评价权重设定后保持固定，无法随客户需求的差异动态适配，针对个性化检测需求的模型匹配精度较低；其二，权重设定与模型打分相互独立，缺少针对新客户、新专家模型的自主学习机制，每新增客户或专家模型均需人工重新设定权重并完成打分，系统扩展性不足；其三，调度决策与实际部署效果之间缺乏闭环的反馈优化链路，人工修正无法有效反向作用于前端的需求表征环节，调度策略与现场工程效果存在脱节；其四，工业检测场景中严重缺陷零漏检等刚性约束难以有效融入打分排序流程，最终调度结果的合规性缺乏有效保障。

技术实现思路

1、本发明的目的在于克服现有技术的缺点和不足，提供了一种应用于工业缺陷检测的专家模型动态部署方法，可根据检测任务的需求特征自动匹配最优专家模型，有效提升部署结果对检测任务的适配性。该方法通过所有检测任务共享的路由主干、超网络逐行乘性调制的设计，提升路由参数生成效率、降低训练成本；同时强化严重缺陷零漏检的安全约束，引入资源占用成本修正适配得分以控制部署成本，并通过反馈损失反向调整内部参数，实现专家模型的动态更新。

2、为实现上述目的，本发明所提供的技术方案为：一种应用于工业缺陷检测的专家模型动态部署方法，包括以下步骤：

3、s1：采集待检产品对应的检测需求表单，对所述检测需求表单上记载的缺陷类别、缺陷程度及成本预算属性进行结构化编码处理，得到用于表征当前检测任务的需求特征向量；

4、s2：将预设专家模型池中的各专家模型置于统一工业缺陷图像标准测试集上执行推理，按缺陷类别与缺陷程度分别统计各专家模型的检测能力指标，所述检测能力指标包括严重缺陷召回率、检出率、误报率与单帧推理耗时；据此得到各专家模型对应的能力画像向量，再由全部能力画像向量共同构成能力画像矩阵；

5、s3：将步骤s1所得的需求特征向量经编码器映射为需求嵌入向量后，输入路由控制模块；所述路由控制模块配置有对所有检测任务共享的路由主干与一个超网络，由所述超网络根据所述需求嵌入向量生成逐行缩放向量，对所述路由主干的权重参数进行逐行乘性调制，生成适配当前检测任务的专属路由参数；以步骤s2所得的能力画像矩阵作为路由输入、以所述专属路由参数作为路由权重，计算各专家模型针对当前检测任务的适配得分，再经归一化处理后得到专家模型选择分布；

6、s4：基于步骤s3所得的专家模型选择分布，依据步骤s2所得的能力画像矩阵中的严重缺陷召回率执行严重缺陷零漏检硬约束筛选，剔除不满足工业检测安全要求的专家模型；对通过筛选的专家模型，根据其资源占用成本对适配得分进行修正，选取得分最高的专家模型作为目标专家模型；将该目标专家模型下发至检测终端完成部署，所述检测终端调用部署后的目标专家模型对待检产品执行在线缺陷检测，得到检测结果；

7、s5：从所述检测结果中提取实际检出率、实际误报率与实际单帧推理耗时这三个性能指标，用来反映目标专家模型在实际检测场景中的真实表现；根据上述三个性能指标计算反馈损失，反馈损失越大代表模型综合表现越差，反之则表现越好；以降低反馈损失为优化目标，反向调整步骤s3中编码器、超网络与路由主干的内部参数，使步骤s3在下次检测接收到同类检测需求时，输出区别于本次检测的专家模型选择分布，即得到更新后的专家模型选择分布，使步骤s4依据更新后的专家模型选择分布重新筛选并确定目标专家模型，从而完成专家模型的动态部署。

8、进一步，在步骤s1，所述结构化编码按以下规则实现：

9、将缺陷类别映射为独热编码向量，该独热编码向量的维数与预设缺陷类别总数相等，其中与当前缺陷类别对应的分量取值为1，其余分量取值为0；分别对缺陷程度与成本预算进行归一化处理，对应得到归一化缺陷程度与归一化成本预算：

10、；

11、；

12、式中，与分别为缺陷程度的预设最小值和最大值，与分别为成本预算的预设最小值和最大值；将、、依次拼接，即可得到需求特征向量：

13、。

14、进一步，在步骤s2，所述能力画像矩阵按以下方式构建：

15、设专家模型池共有个专家模型，第个专家模型记作模型，取1至的整数；在统一工业缺陷图像标准测试集上，按缺陷类别与缺陷程度两个维度，统计得到模型的严重缺陷召回率、检出率、误报率及单帧推理耗时这四项指标：

16、；

17、；

18、；

19、；

20、式中，、、分别为模型正确检出的严重缺陷数、检出缺陷总数与误报样本数；、、分别为测试集中的严重缺陷总数、缺陷样本总数与无缺陷样本总数；为模型的总推理耗时，为测试集的图像帧总数；将上述四项指标拼接成维数为的能力画像向量，再将个专家模型对应的能力画像向量按行堆叠，得到能力画像矩阵。

21、进一步，在步骤s3，按如下方式执行：

22、将需求特征向量经编码器映射为需求嵌入向量，再将输入路由控制模块，经所述路由控制模块的超网络，得到逐行缩放向量：

23、；

24、；

25、式中，、分别为编码器的权重矩阵与偏置向量，、分别为超网络的权重矩阵与偏置向量；、为计算过程所采用的激活函数；所述路由主干的权重参数构成路由主干权重矩阵，通过向量对该路由主干权重矩阵执行逐行乘性调制，最终得到专属路由参数，其中元素表示为：

26、；

27、式中，、分别为专属路由参数与路由主干权重矩阵中第行第列的元素；为向量的第个分量，即第行对应的缩放系数； 取1至的整数，取1至的整数；其中为路由主干权重矩阵的行数，与需求嵌入向量的维数相等，为路由主干权重矩阵的列数，与能力画像向量的维数相等；后续以能力画像矩阵为路由输入、专属路由参数为路由权重，计算得到模型的适配得分，经归一化处理后得到对应模型的选择概率作为专家模型选择分布：

28、；

29、；

30、式中，为向量的转置，为自然指数函数；为求和过程中遍历专家模型池的模型序号，取1至的整数，为第个模型的适配得分,其中分母对从1到求和，为专家模型总数。

31、进一步，在步骤s4，从能力画像矩阵中选取严重缺陷召回率不小于预设阈值的专家模型，经严重缺陷零漏检硬约束筛选后，构成候选集合：

32、；

33、式中，为预设的严重缺陷召回率阈值；对候选集合内的各专家模型，采用归一化资源占用成本进行修正，得到各专家模型的修正得分；选取修正得分最高的专家模型作为目标专家模型，其序号记为：

34、；

35、；

36、式中，为取值大于0的成本敏感系数；表示取使修正得分达到最大值的模型序号；将目标专家模型下发至检测终端完成部署，执行在线缺陷检测并输出检测结果。

37、进一步，在步骤s5，从检测结果中提取目标专家模型的实际检出率、实际误报率及实际单帧推理耗时，并计算反馈损失：

38、；

39、式中，为预设的最大可接受单帧推理耗时；、、为权重系数，取值均大于0且三者之和为1；以降低反馈损失为目标，采用梯度下降法反向调整步骤s3中编码器、超网络及路由主干的内部参数：

40、；

41、式中，为所述内部参数的集合；为学习率，取值大于0；/为反馈损失对的梯度；参数更新后，步骤s3输出与本次检测不同的专家模型选择分布，步骤s4依据该专家模型选择分布重新确定目标专家模型，完成动态部署。

42、本发明与现有技术相比，具有如下优点与有益效果：

43、1、将检测需求表单中的缺陷类别、缺陷程度与成本预算结构化编码为需求特征向量，实现专家模型自动选型，提升部署结果与检测任务的适配性。

44、2、构建全检测任务共享的路由主干，由超网络基于需求嵌入向量生成逐行缩放向量，对路由主干进行逐行乘性调制，无需为单个任务单独训练整套路由参数，降低模型训练成本。

45、3、依据能力画像矩阵中的严重缺陷召回率设置零漏检硬约束，剔除不符合安全要求的专家模型，强化工业检测的安全底线。

46、4、引入资源占用成本修正适配得分，在满足检测精度要求的前提下优选低资源占用的目标专家模型，降低部署成本。

47、5、从检测结果中提取性能指标计算反馈损失，以损失最小化为目标反向调整内部参数，使专家模型选型分布随检测场景动态迭代，实现部署方案的持续优化。