1. Teledyne深度学习视觉检测平台概览

Teledyne DALSA 的深度学习视觉检测平台（以 Astrocyte 与 Sapera Vision Software 中的 AI 训练/推理工具链为代表）是一套面向工业现场的机器视觉软件体系。它的定位不是替代传统视觉算法，而是在传统规则算法难以稳定描述的缺陷类型上提供补充能力——例如纹理类表面缺陷、低对比度划痕、铸造砂眼、焊点虚焊、织物疵点、字符磨损等。平台把"数据标注—模型训练—模型评估—部署推理—产线集成"这条链路收敛到一套工具中，使视觉工程师不必自行搭建深度学习框架，也能完成从样本到产线模型的闭环。

平台定位与核心能力边界

理解这个平台，关键是先分清它"擅长什么"和"不擅长什么"。传统视觉依赖几何测量、灰度阈值、边缘提取、模板匹配，优点是确定性高、可解释、节拍快；缺点是面对形变、光照波动、非刚性纹理缺陷时规则难以穷举。深度学习模块擅长的是"从样本中学习外观分布"，因此更适合分类（OK/NG 判定）、分割（缺陷区域像素级定位）、异常检测（仅用良品建模）三类任务。

平台的核心功能模块大致可分为五块：

• 数据管理与标注：导入图像、划分训练/验证集、绘制分类标签、分割掩膜或边界框，支持数据增强配置。
• 模型训练：选择网络结构与训练超参数（学习率、批大小、迭代轮数、输入分辨率），启动训练并观察损失曲线。
• 模型评估：在验证集上查看混淆矩阵、准确率、召回率、分割 IoU 等指标，并逐张查看误判样本。
• 推理与部署：将训练好的模型导出为运行时模型，在 Sapera 或 GigE/CoaXPress 采集链路上做在线推理。
• 产线集成：通过 SDK/API 把推理结果接入 PLC、分拣机构或 MES，输出判定与缺陷坐标。

典型工业检测场景

在真实产线上，深度学习模块通常承担以下几类任务。第一类是表面缺陷分类：例如金属冲压件表面划伤、压痕、油污的 OK/NG 判定，输入为固定工位的单张图像，输出为类别与置信度。第二类是缺陷分割定位：例如锂电池极片涂布区的暗斑、掉料，需要输出缺陷像素区域，用于计算面积并判定是否超限。第三类是异常检测：当 NG 样本极少、无法收集足够缺陷图时，仅用良品训练异常模型，推理时对偏离良品分布的区域报警。第四类是字符与标识检测：对磨损、变形、低对比度的喷码或激光打标字符做识别与完整性判断。

这些场景的共同点是：缺陷外观差异大、规则难以参数化、但样本可以在产线上持续采集。平台的价值就在于把这类"说不清规则、但看得见样本"的问题转化为可训练的模型问题。

开发流程总览

一个完整的开发流程可以概括为：需求定义 → 样本采集 → 数据标注 → 训练配置 → 模型训练 → 评估调优 → 部署验证 → 产线集成。其中最容易出问题的环节往往不是训练本身，而是样本采集与标注的一致性。例如同一缺陷在不同光照、不同工位下外观差异很大，如果训练集没有覆盖这些变化，模型上线后就会在未见过的情况下误判。

下面这张图把平台的核心模块、数据流与典型检测场景串在一起，帮助建立整体认知：

从需求到产线的关键判断

在动手之前，建议先做一次任务可行性判断。可以用下面这张简表快速定位：如果缺陷可以用几何尺寸或灰度阈值稳定描述，优先用传统算法；如果缺陷外观差异大、规则难以穷举，但能采集到足够样本，则适合深度学习；如果 NG 样本极少甚至没有，则考虑异常检测路线。

开发流程中的常见误区

第一个误区是"先训练再说"。很多项目失败不是因为模型不好，而是因为样本没有覆盖产线的真实变化：不同班次的光照、镜头污染、工件批次差异。建议在采集阶段就按"工位 × 光照 × 批次"做分层采样，而不是随机抓图。

第二个误区是"只看准确率"。在缺陷检测中，准确率高不代表可用，因为 NG 样本往往远少于 OK 样本。此时应重点关注召回率（漏检率）和误报率，并结合产线可接受的漏检/误报成本来设定判定阈值。平台评估模块中的混淆矩阵和逐张误判查看，就是为这个判断服务的。

第三个误区是"训练完直接上线"。正确做法是先离线验证，再用小批量在线试跑，观察推理耗时、判定稳定性、与 PLC 通信的时序是否匹配，确认无误后再全量切换。平台提供的运行时模型导出与 SDK 接口，正是为了把这一步做成可回退的工程动作。