TensorFlow Lite 生产落地案例：Android 门禁人脸识别与树莓派虫情识别

生产落地案例：Android 门禁人脸识别与树莓派虫情识别

案例一：Android 门禁机上的离线人脸比对

背景：一批园区门禁机是 Android 系统的嵌入式板卡，CPU 一般、没有 NPU，网络时通时断，并且人脸图片不允许上传云端。

做法：人脸检测用轻量检测模型，人脸特征提取用移动级主干网络，两个模型都转成 TFLite；检测模型保留 FP32 以保证召回率，特征模型做全整数量化以压体积、提速度；端上比对用余弦相似度，阈值按现场图片分布回归得到。

关键配置：特征模型设 target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]，输入输出类型为 uint8；校准集用现场采集的上千张人脸，特意包含逆光与戴口罩样本；推理线程数按板卡大核数量设置。检测模型不挂 GPU delegate，因为 GPU 初始化开销在门禁机这种反复冷启动的场景里不划算。

效果：模型体积与单帧耗时都进入可交互的范围，断网时功能不受影响；具体数字依板卡型号而异，以实测为准。

踩的坑：一是校准集全用白天正脸样本，逆光场景误拒率上升，补采难例后回落；二是把 INT8 特征模型的输出直接拿去做相似度，忘了按量化参数反算，导致阈值怎么调都不对；三是没在构建里关掉 assets 压缩，加载慢且内存翻倍。

案例二：树莓派上的虫情识别

背景：农田虫情监测站用树莓派加摄像头定时拍照，需要就地判断画面里的害虫类别与数量，现场只有太阳能供电，4G 信号弱。

做法：运行时用 tflite-runtime 而不是完整 TensorFlow；模型走全整数量化；推理线程数按树莓派核心数设置，但留一个核给图像采集，避免采集丢帧。

关键配置：Interpreter(model_path=..., num_threads=3)；图像先缩放再归一化，输入类型与模型声明严格对齐；定时任务由系统计划任务触发，推理结束立刻释放解释器，不常驻。

效果：设备可以整月离线运行，只有汇总结果通过 4G 上报。

踩的坑：早期版本把解释器常驻内存，长时间运行后内存碎片累积，进程被系统杀掉；改成按需创建、用完释放后就稳定了。另一个坑是树莓派系统升级 Python 版本后没有对应 wheel，临时降回旧版本 Python 才装上 tflite-runtime。