某淨菜加工廠：鲜切蔬菜小目標異物的邊緣端實時檢測

鲜切蔬菜赏味期以小時計，異物檢測既要快、又要抓得住毫米級目標，還不能讓數據出廠。DaoAI 把模型搬到了產線邊緣。

該淨菜加工廠生產沙拉與即食鲜切蔬菜，產品從切配到出廠只有數小時窗口，任何停線等待雲端推理都不可接受。其最大質量風險是混入的小目標異物——發絲、細小虫體、撕裂的塑料包裝碎片，這些目標在畫面中往往只占幾十個像素，傳統機器視覺與人工目檢都極易漏檢，而一旦客訴將直接冲擊品牌。

DaoAI 針對小目標檢測優化了輕量化深度學習模型，並將其部署在產線邊緣計算盒上，實現本地實時推理：圖像不出廠，延遲控製在毫秒級，產線無需為等待結果而降速。模型經數據增強與難例挖掘強化了對低對比度、半透明異物的敏感度；對新出現的異物形態，借助 APDT 少樣本快速補強，避免每換一種包材就重訓全模型。

為什麼必須在邊緣端

• 鲜切產品時效極短，雲端往返延遲會拖慢節拍，邊緣推理實現實時同步剔除
• 圖像數據留在廠內，滿足食品企業的數據合規與保密要求
• 輕量模型在低功耗設備上即可運行，改造成本與占地都低
• APDT 少樣本讓新異物類型幾小時內完成適配

幾十個像素的發絲，在邊緣端被毫秒級抓住——速度與精度不再二選一。

系統上線後，毫米級小目標異物的檢出率穩定在 98% 以上，較此前人工抽檢與傳統視覺顯著提升，漏檢導致的客訴大幅下降；單條線無需额外加人即可實現全檢，邊緣部署也讓多條產線的複製擴展變得輕量、快速。