工业现场巡检的难点从来不是“拍到”，而是“判准”。在变电站、化工厂、轨道交通车辆段和地下管廊中，锈蚀、渗漏、裂纹、异物和仪表读数异常往往只占画面几十像素，且受反光、油污、烟雾、光照变化影响严重。传统视觉方案依赖规则阈值，对工况变化敏感；纯大模型方案推理成本高、实时性不足。

本文核心问题：

• EfficientNet为什么适合巡检视觉？ — 轻量高精度适合端侧部署
• 小目标缺陷如何提高召回？ — 多尺度特征加数据增强
• 巡检机器人如何落地？ — Docker容器化加CAN联动

一、为什么工业缺陷检测把EfficientNet放在第一位

巡检机器人需要把视觉模型跑在边缘网关或车载算力卡上，同时还要运行导航、激光SLAM、CAN总线通信和运动控制，算力预算通常只有几瓦到几十瓦。EfficientNet的核心价值是compound scaling：同时对深度、宽度和输入分辨率做均衡缩放，而不是单维堆叠网络层数。以EfficientNet-B0为例，约5.3M参数、0.39GFLOPs，在巡检场景常用输入下可实现端侧实时推理；EfficientNet-B4约19M参数，更适合高分辨率复检和离线训练。相比同量级CNN，EfficientNet能在更小的算力下获得更好的精度-速度平衡。

实际项目中，巡检机器人不可能只部署一个网络。仪表识别、表计读数、跑冒滴漏、安全帽检测、异物识别、车辆部件缺陷等任务需要共用采集链路。瀚泰机械的做法是：统一使用EfficientNet作为骨干，按任务配置检测头，再通过模型蒸馏把离线大模型的先验知识迁移到端侧小模型。这样既能复用训练管线，也能让巡检机器人在保持20-30 FPS推理节奏的同时，完成多路视频流的并行识别。

1.1 数据是工业缺陷检测的真正瓶颈

工业缺陷样本有典型的“少样本、长尾分布”特征：正常样本占比可达90%以上，裂纹、锈斑、渗漏、破损等缺陷样本可能不足5%。在现场项目中通常先采集1-3个月的多季节图像，建立不少于10万张的缺陷训练集，再采用Mosaic、MixUp、随机遮挡、HSV扰动、复制粘贴等增强策略。某化工项目中，加入多尺度增强后，小目标缺陷召回率从0.61提升到0.83，mAP@0.5从0.78提升到0.92。

二、从EfficientNet到工业缺陷检测：模型优化实战

2.1 检测头设计：小目标缺陷如何不漏检

EfficientNet-B0/B2作为骨干，检测头可以选择BiFPN、PANet或轻量化Transformer。对巡检机器人来说，关键不是模型名称，而是尺度设计。管道裂缝、螺栓松动、母线接头过热在1080p画面中通常只有20×20到60×60像素，需要融合P3、P4、P5多层特征，同时保留P2层用于更小目标。现场验证表明，加入P2层后，直径小于10mm的渗漏点召回率提升约18%。

2.2 量化、剪枝与边缘推理优化

边缘部署采用ONNX Runtime、TensorRT或RKNN，按平台做FP16或INT8量化。以HT-EX4车载网关为例，模型经TensorRT INT8量化后，FP32权重从120MB降至约30MB，单帧推理时间从46ms降至12ms，类别mAP@0.5仅下降0.8个百分点。量化必须使用现场图片做校准集，不能用公开数据集替代，否则会出现反光、油污等工况下精度骤降的问题。

2.3 AI大模型与视觉小模型的分层协同

缺陷检测适合采用“小模型快速识别、大模型复杂判断”的分层架构。EfficientNet负责实时定位和分类，AI大模型负责把温度曲线、振动、气体浓度、缺陷图像和维修手册综合起来，生成诊断摘要。比如，检测到法兰渗漏后，大模型可结合介质、压力、泄漏面积估算风险等级，并给出检查建议。这样既避免大模型直接承担毫秒级推理，又能提升运维决策效率。

三、从算法到机器人：Docker、CAN与工业数据分析

3.1 边缘网关的Docker容器化

将视觉推理、数据采集、告警服务和协议转换拆成独立Docker容器。CPU、内存和进程数限制可防止异常模型拖垮边缘网关，自动重启策略避免单容器故障导致机器人整体失联，日志滚动策略则防止SD卡被写满。

3.2 CAN总线实时联动

视觉结果要变成动作，必须进入控制闭环。巡检机器人内部采用CAN 2.0B，常用波特率500kbps，CANopen心跳周期100ms；硬件按IEC 61000-4-2做±8kV接触放电，并配置TVS、共模电感和隔离收发器。缺陷检出后，视觉容器通过内部消息队列通知运动控制节点，机器人随即执行定点复检、云台拍照、声光告警或任务暂停。实测从检出到CAN控制指令发出，端到端延迟控制在200ms以内。

3.3 工业数据分析与设备健康度

巡检数据不能只停留在图片。将缺陷坐标、设备编码、温湿度、气体浓度和振动特征写入时序数据库，再通过OPC UA或MQTT上送。OEE公式为：OEE=可用率×性能率×良品率。以某智能工厂项目为例，可用率99.2%、性能率94%、良品率99.5%，OEE约92.6%；接入视觉缺陷数据后，巡检问题闭环周期从48小时缩短到8小时。

四、巡检机器人落地案例

4.1 HT-EX4防爆四足机器人：高机动巡检与视觉复核

HT-EX4采用Ex d e ib mb IIB T4 Gb / Ex tD A21 IP66 T135°C防爆设计，整机IP66，满载续航4-6小时，可执行楼梯、管廊和装置区地面巡检。AI视觉系统通过双光云台完成仪表读数、泄漏点、异物和人员行为识别；检测到异常后，机器人自动靠近复检并生成带坐标的缺陷记录，供应急和维修班组处置。

项目部署中，将HT-EX4与防爆轮式、防爆挂轨和空地一体化巡检机器人统一接入调度平台，实现回充、任务派发、视觉复核和告警联动。据公开行业数据，2025年国内防爆巡检机器人市场规模约28.6亿元，同比增长47.3%，行业正从单点试用走向规模化部署。对采购方来说，政企工业机器人采购不应只比较单机参数，更要看供应商能否完成智能工厂系统集成。完整产品参数可查看防爆四足机器人（机器狗）：/static/upload/image/20260709/1783567838193083.png详情。

五、给技术主管的落地建议

第一，先做数据现状盘点。没有现场图像、标注规范和验收指标，任何模型选型都无法落地。第二，把模型性能指标写进验收：小目标召回率、mAP@0.5、单帧推理时间、误报率、漏报率应可量化。第三，要求开放接口。视觉系统至少应支持MQTT、OPC UA和REST API，便于接入DCS、MES或调度平台。第四，优先选择有机器人本体、视觉算法和智能工厂系统集成能力的供应商。对政企工业机器人采购项目，应把召回率、误报率、OEE和开放接口列为评审项，避免单机参数优秀但系统层面失控。

常见问题

Q1：EfficientNet为什么适合巡检机器人？

A1：EfficientNet在较小算力下实现高精度，适合边缘端实时推理。

Q2：工业缺陷检测如何提高小目标召回率？

A2：采用多尺度特征融合、P2层和针对现场数据的增强策略。

Q3：AI大模型会替代传统视觉模型吗？

A3：现阶段更常配合使用，小模型实时检测，大模型辅助诊断。

Q4：模型量化后会影响检测精度吗？

A4：使用现场校准集做INT8量化，精度下降可控制在1%以内。

Q5：采购巡检机器人应关注哪些指标？

A5：重点看召回率、误报率、推理延迟、开放接口和系统集成能力。