某净菜加工厂：鲜切蔬菜小目标异物的边缘端实时检测

鲜切蔬菜赏味期以小时计，异物检测既要快、又要抓得住毫米级目标，还不能让数据出厂。DaoAI 把模型搬到了产线边缘。

该净菜加工厂生产沙拉与即食鲜切蔬菜，产品从切配到出厂只有数小时窗口，任何停线等待云端推理都不可接受。其最大质量风险是混入的小目标异物——发丝、细小虫体、撕裂的塑料包装碎片，这些目标在画面中往往只占几十个像素，传统机器视觉与人工目检都极易漏检，而一旦客诉将直接冲击品牌。

DaoAI 针对小目标检测优化了轻量化深度学习模型，并将其部署在产线边缘计算盒上，实现本地实时推理：图像不出厂，延迟控制在毫秒级，产线无需为等待结果而降速。模型经数据增强与难例挖掘强化了对低对比度、半透明异物的敏感度；对新出现的异物形态，借助 APDT 少样本快速补强，避免每换一种包材就重训全模型。

为什么必须在边缘端

• 鲜切产品时效极短，云端往返延迟会拖慢节拍，边缘推理实现实时同步剔除
• 图像数据留在厂内，满足食品企业的数据合规与保密要求
• 轻量模型在低功耗设备上即可运行，改造成本与占地都低
• APDT 少样本让新异物类型几小时内完成适配

几十个像素的发丝，在边缘端被毫秒级抓住——速度与精度不再二选一。

系统上线后，毫米级小目标异物的检出率稳定在 98% 以上，较此前人工抽检与传统视觉显著提升，漏检导致的客诉大幅下降；单条线无需额外加人即可实现全检，边缘部署也让多条产线的复制扩展变得轻量、快速。