在工业产线的AI视觉检测场景中，单台工控机往往需要同时驱动4~8路工业相机，配合YOLO推理实现毫秒级缺陷判定。当系统持续运行72小时以上，内存占用稳步攀升、UI界面响应迟滞、推理帧率断崖式下跌，几乎是所有C#上位机开发者都会遇到的共性难题。
这些问题并非单一因素导致，而是非托管资源释放不彻底、大对象堆碎片化、UI线程与推理线程资源竞争三者共同作用的结果。本文从工业实战角度出发，系统性拆解问题根因，并给出可直接落地的优化方案。
一、问题根因拆解
1.1 内存泄漏的三大源头
第一类是非托管资源泄漏。Bitmap、Mat、Image<Bgr, Byte>等图像对象底层封装了GDI+或OpenCV的非托管内存，若未显式调用Dispose，GC无法主动回收，单张200万像素图像约占6MB内存，8路相机每秒15帧的场景下，一小时即可泄漏数GB内存。
第二类是大对象堆（LOH）碎片化。字节数组、位图缓冲区等大于85000字节的对象会被直接分配到大对象堆，而.NET Framework与.NET Core早期版本均不会对LOH进行压缩，频繁创建销毁大对象会产生大量内存空洞，最终导致OOM。
第三类是事件订阅与匿名委托泄漏。相机回调、推理完成事件若使用匿名方法或Lambda订阅，且未正确注销，会导致订阅方持有发布方引用，整个对象图无法被GC回收，这也是长时间运行后内存缓慢上涨的典型特征。
1.2 界面卡顿的核心诱因
最常见的原因是UI线程阻塞。许多开发者习惯在相机回调事件中直接更新PictureBox或Label，而回调运行在非UI
