至此，最优检测模型己确定，但是存在部分硅碳棒瑕疵平均检测精度较低的问题，考虑到原始数据中进行了数据增弧，会使得部分硅碳棒瑕疵特征发生多样性变化与在实际检测中的图片存在差异。说明该模型评价指标不能够替代最终系统的检测效果。因此采用yolov5:模型进行工业部署应用后进一步对系统进行逆向优化。首先对深度学习相关技术原理进行介绍.对深度学习检测方法进行了分析，采用yolov5神经网络作为硅碳棒瑕疵特征提取框架，采用yolov5s和yolov5m模型进行训练，对硅碳棒瑕疵特征进行提取，经过比较分析，最后以yolov5s为例进行实际的工业部署应用。

       为满足硅片生产过程中硅碳棒外观瑕疵检测的需求，本章节基于前四章的所述硅碳棒瑕疵数据采集装置与目标检测算法研究部分，结合企业生产现场设计了一种用于工业生产线上的硅碳棒瑕疵检测系统。该系统旨在解决硅碳棒表面的自动化检测问题，将深度学习模型在边缘设备上进行部署，实现硅碳棒瑕疵检测的功能。同时系统还应为工作人员提供更直观的操作运行界面，以及根据生产过程中的生产需求，进行相关辅助功能模块开发。

系统需求分析

       硅碳棒瑕疵检测系统开发初衷是实现硅碳棒表面瑕疵的自动化检测，在个业牛产线实现单晶硅碳棒表面硅碳棒瑕疵的自动化检测，助力自动化生产。但是现阶段，硅碳棒瑕疵检测系统主要处于侧试阶段，需要结合人工来进行辅助检测，以防止误检测给企业带来经济损失。系统有如下需求:

       (1)硅碳棒瑕疵检测系统操作直观、简便，能直观显示检测结果，支持查找指定硅碳棒的检测结果等功能;

       (2)检测系统与现场设备进行信息交互，系统与硅碳棒生产线充分融合，为实现自动化生产打下基础;

       (3)融合深度学习模型，根据设备选用合适的边缘部署推理方案，将涤度学习模型实际应用于工程应用;

       (4)充分考虑后期系统升级问题，尽可能采用模块化设计方案。

       基于检测系统需要将深度学习模型进行边缘部署，为系统检测的关键模块。故下面首先对对深度学习模型的工业部署方案进行研究，对硅碳棒瑕疵检测系统进行模块化开发，用于系统运行支持。

深度学习工业部署方案设计

       在实际工业生产环境中，对于实时性检测任务一般都采用边缘设备完成检测.因为进行服务器端的部署数据过大做造成延时及检测的不稳定状况，因此本系统最终需要部署至前文所选的视觉控制器中。硅碳棒瑕疵检测系统基于python语言开发，深度学习模型的正确部署是系统顺利运行的关键，故下面先对深度学习部署方案进行设计实现。

常见推理框架分析

       深度学习在边缘设备上部署的框架有多种选择，在实际进行工业化模型的部署应用中常见的部署框架有等框架，选择合适的部署框架可以减少非必要的成本支出以及保证硅碳棒瑕疵检测系统运行的速度和稳定性，同时，还应该充分考虑所选用设备条件，前文中选型为海康威视VC3000视觉控制器。表5-1是对几种常见框架进行分析对比。

       openVITIO是英特尔开发的一个深度学习推理引擎，用于优化深度学习模型的推理性能和精度通过使用深度学习模型的优化技术和硬件特定的优化来加速推理，从而在各种设备上实现高性能推理。可以在各种CPU,GPU. VPU等硬件上运行ass)。支持在Windows与Linux系统，Python/℃一语言，是目前能运行在CPU上的最好的深度学习框架，功能强大，大大降低了部署成本，体验较好，适宜在工业生产设备上使用。

       对部署框架综合对比分析，考虑到后期需在不同设备间进行移植，系统中选用OpenVW。部署框架进行部署。同时，openVIT10还具模型优化、模型转换的功能.在该系统中，采用IR模型来进行部署，故需要通过openVINO将训练所得到的.onnx权重文件转换为IR模型文件。IR模型是深度学习模型的一种中间表现形式。模型由一个含有网络拓扑结构的.xml文件和一个含有权重和偏差二进制数据的.bin文件组成.之后在部署过程中直接对IR模型进行调用。42.http://www.zbqunqiang.cn/