1828 开发指南最后一章给出工业表面缺陷检测的完整案例。传统做法靠人眼或为每类缺陷单独建模；SDK 自带应用改用 PatchCore + DINOv3-S backbone，仅用良品即可检测异常，并提供浏览器可操作的 Web 界面。本文完整梳理其部署与操作，也如实说明当前不足。
本章完整文档：《工业异常检测》（生态平台 wiki） 前置条件：RK182X 模组已连接（PCIe）------systemctl is-active rknn3.service 返回 active，/dev/pcie-rkep-* 设备节点存在（上篇环境验收清单里的一项）。
（一）它能查什么：只学习良品的异常检测
应用基于 PatchCore 算法 + DINOv3-Small backbone，专为工业表面缺陷检测设计，实际路径在 SDK 的 examples/anomaly-detection/。
典型场景：
和"每类缺陷训一个模型"不同，PatchCore 的用法是反过来的：训练阶段只用良品样本，把良品的特征存进一个 memory bank；检测阶段拿测试样本的特征去和记忆库比对，偏差大的位置就是可疑区域。整个过程输出热力图，缺陷在图上一眼可见。DINOv3-S 负责提特征，它以两个文件的形式随应用附带：dinov3s.rknn（613KB，模型结构）和 dinov3s.weight（42MB，权重），推理跑在 RK182X NPU 上。
整套应用连模型带网页总共 45M，对一块边缘板卡来说相当轻。
（二）应用架构：浏览器到 NPU 三层
wiki 给的整体框图：
用户浏览器
↓ HTTP :5000
┌────────────────────┐
│Flask Web│
│app.py│
└────────┬───────────┘
↓
┌────────────────────┐
│PatchCore 引擎│
│patchcore_train.py│← 训练（CPU 构建 memory bank）
│patchcore_test.py │← 推理
└────────┬───────────┘
↓
┌────────────────────┐
│RKNN3 Lite│← 已装 rknn3-toolkit-lite 1.0.0
│DINOv3-S backbone│
└────────────────────┘三层分工很清楚：Flask 负责网页交互（app.py，26KB），PatchCore 的训练和测试脚本是业务逻辑（patchcore_train.py/patchcore_test.py），底层特征提取通过 RKNN3 Lite 调 NPU。操作的人在浏览器里点按钮，算力在板子上。
（三）部署四步
1. 推送文件到板端
PC 端执行：
adb push examples/anomaly-detection /userdata/2. 准备数据集
从 MVTec 官网下载 AD 数据集（https://www.mvtec.com/company/research/datasets/mvtec-ad），解压到板端 /userdata/datasets/，目录结构：
/userdata/datasets/
├── bottle/
│ ├── test/
│ │ ├── good/ ← 良品测试
│ │ └── defect/ ← 缺陷测试（每类一个子目录）
│ ├── train/good/ ← 训练只用良品
│ └── ground_truth/ ← 缺陷标注
├── cable/
│ ├── test/
│ └── train/
└── ...注意 train/good/ 这个结构------再次对应了"训练只用良品"的思路。
3. 安装依赖
cd /userdata/RK1820_RK1828_AI_SDK/examples/anomaly-detection
./install.shinstall.sh 会安装三样东西：python3-pip、python3-flask、patchcore-0.1.0-py3-none-any.whl。装完 Flask 是 3.1.3 版本（Debian 12 apt 源里的 python3-flask）。
4. 启动应用
三种方式任选其一：
/userdata/anomaly-detection/run.sh start或者点击桌面"工业检测"图标（install.sh 已自动创建），或者浏览器直接访问 http://<板子IP>:5000。
（四）装完之后还差什么：如实交代
按上面的步骤走完，应用还不能直接跑起来。wiki 把两个坑写得明明白白，这里原文照搬：
坑一：ML 依赖没有装全。patchcore 的依赖清单里要求 torch、torchvision、faiss-cpu、timm、scikit-image、scikit-learn、numpy、scipy 等一大串机器学习库，但板端 pip list 里相关的只有两个：
python3 -m pip list | grep -E "(click|scipy|tqdm)"输出：
click 8.4.2 tqdm 4.70.0install.sh 只装 Flask + patchcore wheel，不装 scipy / numpy / torch / timm 这些 ML 库------它们在边缘设备上安装困难且资源消耗大。所以 run.sh start 会报 ModuleNotFoundError，需要手动补装依赖后才能完整运行。
坑二：启动脚本路径对不上。run.sh 里的路径指向 /userdata/anomaly-detection，但实际路径是 /userdata/RK1820_RK1828_AI_SDK/examples/anomaly-detection。用 cat run.sh | head -15 可以直接看到这个差异，处理办法是改脚本路径，或者建一个软链。
这两个坑 wiki 都在 FAQ 里给了对应处理，不是能绕过去的暗坑------只是拿到手的第一件事不是点开网页，而是先补环境。
（五）操作流程：标注 → 测试
标注（训练）
Web 界面三步：选择数据集 → 点"标注"按钮，系统用 DINOv3 backbone 提取良品特征 → 标注完成后计算异常阈值。
测试
"数据集测试"页面选择已标注的数据集，点"开始测试"，结果以热力图显示------绿色 = 正常，红色 = 异常。点图片右上角的眼睛图标可以看热力图。
测试页面的按钮功能：
（六）常见的坑
（七）收尾
到这里，开发指南系列五篇走完了：OpenClaw 把板子变成 AI Agent 主机，SKILL 给它装上九般武艺，模型调用和模型转换打通了底层，最后这个工业异常检测应用演示了一条完整的行业落地路径------从数据集、到 NPU 推理、到浏览器里的操作界面。
它也顺带说明了一个现实：边缘侧跑 AI 应用，算力只是其中一环，依赖、路径、数据集这些工程细节同样决定能不能落地。下一篇开始进入生态平台专篇，看 ShiMetaPi 在 SDK 之外还准备了什么。