本技术公开了基于标准化流模型的自动训练及部署的产品缺陷检测方法，所述标准化流模型的训练过程采用基于训练数据统计方差的早停策略:当标准化流模型输出特征的均方差不大于预设阈值时，判断检测模型将要发生崩溃，停止检测模型的训练；并将时间点最接近停止训练前的检测模型作为最终结果。本发明采用轻量的标准化流模型进行无监督缺陷检测，计算资源占用较低，可以在边缘设备端自动完成训练到部署的整个流程，无需人工标注，无需算法人员参与调参。
背景技术
产品缺陷检测作为工业生产质量管理中的一个典型问题。随着人工智能的发展，边缘计算产品广泛应用于产品缺陷检测中。目前的边缘端缺陷检测算法，主要是通过线下算法人员或通过有监督算法或通过无监督的方法进行模型训练和优化，然后部署到线上边缘计算设备端，这种非自动化的方式很难适应更新周期较短的产品。
例如，公开号为CN115496892A、专利申请名称为“工业缺陷检测方法、装置及电子设备、存储”的技术方案，采用二维流模型进行无监督缺陷，并详细描述了流模型的训练测试过程及相关公式。
该技术方案存在的缺点为：
(1)流模型的训练效率和稳定性受损失函数和训练数据的分布有关，该方案没有解决流模型的训练崩溃问题，这些问题影响着流模型能否实现自动化训练。
(2)该方案没有解决流模型部署时的超参选择问题，这些问题影响着流模型能否实现自动化部署。
再例如，公开号为CN115423741A、专利申请名称为“一种基于深度学习的结构缺陷检测方法”的技术方案，结合了基于无监督训练模式的流模型的优点和基于监督训练模式的检测模型的优点在一起，使用两个不同训练范式的模型一起进行缺陷检测，达到互补的效果。该方案选用DifferNet作为流模型，DifferNet在测试过程需要输入多个经过变换的图片，并进行反向传播梯度进行定位异常区域。
该技术方案存在的缺点为：
(1)该专方案没有解决流模型的训练崩溃问题，这些问题影响着流模型能否实现自动化训练。
(2)该方案没有解决流模型部署时的超参选择问题，这些问题影响着流模型能否实现自动化部署。
(3)该方案中的DifferNet的分割结果比较粗糙且计算量比较大，无法部署到很多边缘设别上。
再例如，公开号为CN115496749A、专利申请名称为“基于目标检测训练预处理的产品缺陷检测方法及系统”的技术方案，通过目标检测模型进行缺陷检测。针对工业场景中很难搜集到大量有缺陷图片的问题，该方案通过先手动标注，再扩增缺陷样本的数据预处理方案增强样本的多样性。
该技术方案存在的缺点为：
(1)该方案采用监督缺陷检测模型，需要大量的缺陷样本，对于一些新上线的产品或者周期比较短的产品来说，搜集大量的缺陷样本是不现实的。
(2)该方案需要人工参与标注，标注成本高。
再例如，公开号为CN115423807A、专利申请名称为“一种基于离群点检测的布匹缺陷检测方法”的技术方案，通过采用LOF进行布匹缺陷检测。LOF基于密度的方式发现数据中的离群点，属于无监督范式，无需数据标注。
该技术方案存在的缺点为：
(1)该方案需要根据特定的数据集指定邻域大小、LOF阈值和距离度量方式等等，无法进行自动部署。
(2)随着训练数据集的扩大，该方案算法的计算效率会大大降低。
总结上述方案，现有技术的缺点总结如下：
(1)流模型的训练效率和稳定性受损失函数和训练数据的分布有关，基于流模型的无监督方法没有解决流模型的训练崩溃问题和模型部署时的超参选择问题，这些问题影响着流模型能否实现自动化训练和部署。
(2)基于有监督的目标检测模型需要大量的缺陷样本和人工参与标注，无法实现自动训练和部署。
(3)一些流模型如DifferNet等计算量较大，且由于在测试过程中需要计算反向梯度，很难部署到现有的大部分边缘设备端。
(4)基于传统无监督离群检测的方法需要人工挑选超参，计算效率受到训练数据的影响，很难在边缘设备端进行自动训练和部署。
总结上述方案，现有技术的缺点总结如下：
(1)流模型的训练效率和稳定性受损失函数和训练数据的分布有关，基于流模型的无监督方法没有解决流模型的训练崩溃问题和模型部署时的超参选择问题，这些问题影响着流模型能否实现自动化训练和部署。
(2)基于有监督的目标检测模型需要大量的缺陷样本和人工参与标注，无法实现自动训练和部署。
(3)一些流模型如DifferNet等计算量较大，且由于在测试过程中需要计算反向梯度，很难部署到现有的大部分边缘设备端。
(4)基于传统无监督离群检测的方法需要人工挑选超参，计算效率受到训练数据的影响，很难在边缘设备端进行自动训练和部署。
实现思路