【代发需求】EfficientAD / PatchCore 在欧拉派嵌入式 NPU 上的部署

目标：
在 欧拉派 设备（6TOPS INT8、4TOPS FP16 NPU）上，完成 EfficientAD 或
PatchCore（二选一） 的端侧部署，用于工业表面缺陷 无监督检测。追求 零漏检（以 MVTec AD
验收集为准），单张图像 端到端推理 ≤ 500 ms，精度需与模型官方公布数据一致。

要求:
在欧拉派上完成 EfficientAD 或 PatchCore 单模型 部署与端到端推理：
设备端预处理 → NPU 特征提取/模型推理 → CPU/NPU 后处理 →
异常热力图/分数/二值判定输出。
满足性能与精度硬指标（见 §2）。
支持 离线内存库/阈值 下发与热更新（PatchCore）。
提供 SDK/CLI 示例 与 C++ API，含日志与可观测性。

验收指标

设备与软件环境

硬件：欧拉派（NPU 6TOPS INT8 / 4TOPS FP16，ARM CPU）
系统：OpenEuler Embedded 24.03
模型格式：ONNX，支持 FP16/INT8/混合量化

技术路线

EfficientAD
模块：教师 T、学生 S、（可选）AE/PDN
NPU：特征提取、学生/PDN 前向
CPU：张量差分、阈值、热力图生成
优点：全卷积静态图，NPU 友好，无 KNN

PatchCore 方案
模块：骨干 CNN → Patch 特征 → 内存库 KNN
NPU：特征提取
CPU：KNN/ANN 搜索，阈值与热力图生成
内存库：服务器离线构建与压缩，设备加载
优点：快速覆盖未知缺陷，库可更新

数据与训练/校准
训练：仅正常样本（无监督），覆盖工况
数据集：MVTec AD 官方划分
输入尺度：256–512 边；必要时滑窗/分块
量化校准集：≥300–1000 张正常样本
验收集：MVTec AD 全量测试集
系统与软件设计
流水线

1. 采集：图片
2. 预处理：Resize、Pad、归一化（NPU/CPU）
3. NPU 推理：EfficientAD 或 PatchCore 特征提取
4. 后处理（CPU）：差分/距离 → 热力图 → 阈值
5. 输出：OK/NG、分数、热力图、日志
   模型与资源管理
   模型、配置、特征库版本化管理
   内存库 mmap 加载（PatchCore）
   支持热更新与回滚
   模型转换与量化
   导出：PyTorch → ONNX（静态 shape，无动态分支）
   构建：ATC工具，优先 INT8，必要时混合精度
   校验：PC 上仿真对齐 PyTorch
   优化原则
   精度优先，性能次之
   关键层保留 FP16
   减少大张量回传
   滑窗/分块处理大图
   Batch=1 保实时性
   测试计划
   功能：正确性、热更新、异常处理
   性能：典型输入尺寸下的时延统计
   稳定性：24h 老化
   精度：MVTec AD 全集，AUROC/PRO 与官方一致，容差内
   交付物
   模型包（.om + 配置）
   特征库（PatchCore）
   SDK/CLI 工具与文档
   部署脚本与运维手册
   测试报告（性能、精度、稳定性）
   选型建议
   优先 EfficientAD：全卷积，部署简单，时延可控
   优先 PatchCore：快速适配未知缺陷，特征库灵活更新

验收清单

模型端到端跑通
MVTec AD 上 FN=0，精度与官方一致（容差内）
单帧时延 ≤500 ms
量化后阈值重标定通过
内存库/模型热更新验证
SDK/CLI/文档/脚本完整
24h 稳定性测试通过