数字技术与应用杂志社

摘要：<正>为解决当前工业视觉领域模型研发与产线部署分离、更新迭代缓慢等难题，本文研究设计并实现了一套遵循MLOps思想的训练推理集成平台。本文构建了由数据接入、数据管理、模型训练至边缘部署构成的四层松耦合可扩展架构。经过在钢卷表面缺陷检测场景中的应用验证，该范式将模型迭代周期由数天压缩至5 h以内，实现约4.8倍效率增益，并确保97%以上的检测准确率。一、研究背景与挑战智能制造转型升级大潮之下，深度学习视觉检测技术是产品质量保证的关键，但是其大规模应用还存在诸多难题。算法开发环境和生产部署环境通常是相割裂的[1]，模型在云端训练但需要在资源有限的边缘设备上运行，造成迁移部署的过程比较复杂而且容易出错。生产线数据回传路径不畅，如OT/IT网络隔离、带宽时延限制、安全管控等，造成模型迭代很大程度上依靠人工干预，手工作坊式的开发模式已成为制约工业智能化发展的瓶颈[2]。

专辑： 信息科技;工程科技Ⅱ辑

专题： 机械工业;计算机软件及计算机应用

分类号： TH122;TP391.41