【深度学习】模型从训练完成到产线运行的完整使用方式

一、一句话概括

视觉模型不是"单独运行"的程序，而是嵌入在一整套视觉系统中，作为"判定引擎"被调用。

二、视觉模型的标准使用流程（生产级）

text 复制代码

触发信号
→ 图像采集
→ 图像预处理
→ 模型推理
→ 判定策略
→ 控制与记录

三、每一步是怎么"用模型"的（关键）

1. 触发与采图（模型之前）

模型不能主动取图，只能被动接收图像。

常见触发方式：

PLC 硬触发（光电 / 编码器）
软件触发
连续流

要求：

触发与曝光严格同步
图像编号可追溯

2. 图像预处理（为模型服务）

目的不是"好看"，而是稳定模型输入分布。

典型操作（OpenCV）：

ROI 裁剪
尺寸 resize
灰度 / 归一化
畸变校正

⚠️ 线上预处理必须与训练时完全一致

3. 模型推理（真正使用模型的地方）

模型的实际调用方式

text 复制代码

输入：标准化图像（固定尺寸）
输出：概率 / 置信度 / 坐标 / mask

常见推理引擎：

OpenCV DNN
TensorRT
OpenVINO
ONNX Runtime

示例（逻辑层面）：

text 复制代码

result = model.forward(image)

4. 判定策略（模型≠最终结论）

这是工业系统的关键点

模型只给"判断依据"，不直接决定 OK / NG。

示例

text 复制代码

模型输出：缺陷概率 = 0.87
策略：>0.80 → NG

可叠加规则：

面积阈值
连续 NG 次数
多模型投票

5. 控制输出（模型变成"动作"）

模型结果会被转化为：

PLC 信号（OK / NG）
分拣动作
报警
MES 数据

模型不直接控制设备，只输出判定结果

6. 数据记录与回溯（非常重要）

每一次模型调用，都要留下痕迹

保存内容：

原始图像
推理结果
判定结论
时间 / 工位 / 产品号
模型版本

用途：

客诉分析
模型优化
审计

四、不同类型模型在生产中的"用法差异"

1. 分类模型（最简单）

text 复制代码

图像 → 模型 → OK / NG

应用：

表面是否有缺陷
是否装配到位

2. 检测模型（YOLO）

text 复制代码

图像 → 边框 + 置信度
→ 判断是否落在 ROI
→ NG

应用：

划痕
漏件

3. 分割模型

text 复制代码

图像 → 缺陷 mask
→ 面积 / 长度计算
→ 等级判定

应用：

微小裂纹
涂层不均

4. 异常检测模型

text 复制代码

图像 → 异常热力图
→ 最大值 / 平均值
→ NG

应用：

只有 OK 样本的场景

五、模型在系统中的"真实形态"

模型在磁盘上

.onnx
.engine
.xml + .bin

模型在内存中

加载一次
常驻内存
多线程共享（需线程安全）

六、生产部署中的关键约束（必须满足）

模型加载失败 = 系统不可 OK
推理超时 = 报警
置信度异常 = 人工复核
模型不可在线自动替换
必须支持快速回滚

七、常见错误理解（纠正）

❌ 模型 = 程序

✔ 模型 = 被调用的算法模块

❌ 模型直接给结论

✔ 模型输出 + 判定策略 = 结论

❌ 训练完就能用

✔ 必须工程化封装

八、一个真实工业调用示意

text 复制代码

while (running):
    wait_trigger()
    img = grab_image()
    img_p = preprocess(img)
    infer = model(img_p)
    result = judge(infer)
    send_plc(result)
    save_log(img, infer, result)

九、给非算法人员的标准解释话术

"视觉模型就像一个经验丰富的质检员，只负责'看和判断可能性'，
是否放行由系统规则和生产策略共同决定。"