课程导入：学习目标、适用人群、课程整体框架与学习路径
工业视觉是智能制造中最具落地价值的技术方向之一。旭日（Sunrise）系列芯片作为国产边缘AI计算平台的重要代表，凭借其低功耗、高算力密度和丰富的视频编解码能力，在工业缺陷检测场景中承担着“端侧实时推理”的关键角色。本章作为整个课程的开篇，旨在帮助学习者建立对“旭日工业视觉应用”的全局认知——从缺陷检测的业务本质，到边缘推理的工程约束，再到课程的学习路径设计，为后续章节的深入实践打下坚实基础。
一、学习目标：从“会用”到“会做”再到“会优化”
本课程的学习目标不是简单地教会你调用几个API，而是培养你在真实工业现场中，基于旭日芯片完成缺陷检测系统设计、开发、部署与优化的完整能力。具体而言，课程结束后你应该达到以下四个层次的目标：
| 目标层次 | 具体能力描述 | 对应章节 |
|---|---|---|
| 认知层 | 理解工业缺陷检测的业务场景、常见缺陷类型（划痕、脏污、缺料、变形等）以及成像条件对检测效果的影响 | 第1-3章 |
| 开发层 | 掌握旭日芯片的硬件架构（CPU/NPU/编解码单元），能够完成模型转换（如PyTorch/TensorFlow → ONNX → 旭日格式）、量化校准和精度验证 | 第4-8章 |
| 部署层 | 能够搭建完整的边缘推理流水线：图像采集（GigE/USB/Camera Link）、预处理、NPU推理、后处理、结果上报（Modbus/MQTT/HTTP） | 第9-15章 |
| 优化层 | 具备系统性能调优能力：推理延迟优化、多线程并发、掉帧处理、模型迭代更新策略、现场故障排查 | 第16-30章 |
核心原则：工业视觉项目成功的衡量标准不是“模型精度有多高”，而是“在产线节拍内稳定运行、误检率可控、维护成本可接受”。因此本课程所有技术点都围绕“工程可用性”展开，而非纯学术指标。
二、适用人群：谁应该学习这门课程？
本课程面向以下三类人群，每类人群的学习侧重点略有不同，但都需要具备一定的基础知识：
- 工业视觉工程师/自动化工程师：已有传统机器视觉（如Halcon、VisionPro）经验，希望向深度学习+边缘计算方向转型。这类学习者应重点关注第4-8章的模型转换与量化部分，以及第16-20章的现场调试技巧。
- 嵌入式AI应用开发者：熟悉Linux嵌入式开发，但对工业场景（相机接口、光源控制、PLC通信）不熟悉。建议重点学习第2-3章的成像原理与缺陷类型，以及第9-12章的硬件接口对接内容。
- 算法工程师/技术管理者：负责视觉检测方案选型或团队技术路线规划。需要理解旭日平台的能力边界（算力、内存、功耗），以及不同缺陷检测算法的工程代价。建议通读全部章节，但可跳过部分代码细节。
前置要求：学习者需要具备基础的Python编程能力（能读写文件、调用第三方库）、了解Linux基本命令（ssh、vim、systemctl等），并对深度学习推理有概念性认识（知道什么是卷积神经网络、什么是推理）。如果完全没有编程经验，建议先补充Python基础再学习本课程。
三、课程整体框架：六大模块递进式设计
整个课程共30章，按照“基础→开发→部署→优化→案例→扩展”的逻辑组织为六大模块。每个模块之间既有知识递进关系，又保持相对独立，方便学习者按需查阅。
| 模块 | 章节范围 | 核心内容 | 实践项目 |
|---|---|---|---|
| 模块一：工业视觉基础 | 第1-3章 | 缺陷检测业务概述、成像与光学基础、常见缺陷类型与标注规范 | 缺陷图像采集与标注练习 |
| 模块二：旭日平台开发 | 第4-8章 | 旭日芯片架构、开发环境搭建、模型转换与量化、NPU推理API | YOLOv5s缺陷检测模型转换与推理 |
| 模块三：边缘推理系统 | 第9-12章 | 相机接入、图像预处理流水线、多线程推理框架、结果输出与通信 | 搭建实时检测Demo（相机→检测→显示） |
| 模块四：性能优化 | 第13-18章 | 推理延迟优化、模型压缩与蒸馏、动态batch、掉帧处理与缓存策略 | 将检测帧率从15FPS提升到30FPS |
| 模块五：现场部署与运维 | 第19-25章 | 工业环境适配（防尘/散热/供电）、PLC与MES对接、日志系统、远程升级 | 模拟产线环境部署与稳定性测试 |
| 模块六：综合案例与扩展 | 第26-30章 | 3C零部件外观检测、纺织表面缺陷检测、食品包装异物检测等完整案例 | 从需求分析到交付的完整项目实战 |
四、学习路径建议：三种典型路线
根据你的时间预算和当前基础，可以选择以下三种学习路径之一：
- 完整学习路径（推荐）：按章节顺序从第1章学到第30章，每章完成课后练习和代码实验。预计需要8-10周（每天投入2小时）。适合零基础或希望系统掌握全部技能的学习者。
- 快速上手路径：跳过第1-3章的基础理论（仅阅读每章末尾的“核心要点”），从第4章开始学习，重点完成第4-12章的代码实践。预计需要4-5周。适合有机器视觉经验、急需落地项目的工程师。
- 问题驱动路径：先阅读第26-30章的完整案例，了解项目全貌，然后根据案例中涉及的技术点反向查阅对应章节。适合正在做项目选型或方案设计的技术管理者。
学习建议：每章都配有可运行的代码示例和数据集（部分为模拟数据），强烈建议你准备一块旭日开发板（如旭日X3派或旭日X5开发板）边学边练。如果没有硬件，也可以先在x86 Linux环境运行代码，但需要注意NPU相关API无法在CPU上完全模拟。
五、课程特色与学习资源
本课程区别于纯理论课程或纯代码教程，强调“工程思维”的培养。每个章节都包含以下固定结构：
- 核心原理：用通俗语言解释技术背后的物理或数学逻辑，避免“黑盒式”学习。
- 操作流程：给出可复现的步骤清单，包括命令、参数、配置文件等。
- 案例拆解：每个模块至少一个完整案例，从问题定义到方案落地，展示真实项目中的取舍与权衡。
- 常见误区：总结初学者容易犯的错误和现场踩坑经验，帮助你少走弯路。
此外，课程配套提供以下资源：示例代码仓库（含完整注释）、模拟缺陷数据集（用于模型训练和验证）、旭日芯片性能基准测试报告、以及常见问题FAQ（持续更新）。建议在学习过程中建立自己的实验笔记，记录每次调试的参数变化和结果对比，这对后续项目复现非常有价值。
六、总结与学习心态建议
工业视觉缺陷检测是一个“易学难精”的领域——入门门槛不高（有Python基础即可），但真正做好需要跨学科知识（光学、嵌入式、算法、自动化）和大量现场经验。本课程的目标是帮你搭建一个完整的知识框架，并让你通过动手实践积累初步经验。请记住以下三点：
- 动手优先：只看不练等于没学。每章代码至少运行一遍，并尝试修改参数观察效果变化。
- 数据意识：工业场景中80%的问题出在数据上（光照变化、样本不均衡、标注不一致），而非算法本身。从第1章开始就要培养对数据的敏感度。
- 系统思维：一个检测系统是相机、光源、算法、算力、通信、机械结构的综合体。不要只盯着模型精度，要关注整个链路的稳定性和可维护性。
现在，让我们从工业缺陷检测的业务本质开始，正式进入旭日工业视觉应用的世界。