1. 课程导学与项目全景

大家好，我是你们这门课的主讲。在工业自动化视觉这块摸爬滚打了十来年，踩过的坑比走过的路还多。今天咱们开篇第一讲，不急着敲代码，先聊聊这个行业到底怎么回事，以及我们为什么要用YOLO+OpenCV这套组合拳。

说白了，工业质检是个“苦活累活”。你想想看，一条产线每分钟跑几百个零件，全靠人眼盯着看，不出错才怪。我见过最夸张的案例，一个电子厂招了200个质检员，三个月后离职率超过60%。为什么？太枯燥了，眼睛都看花了。

1.1 工业质检行业现状：为什么机器视觉是刚需？

先看一组数据。2023年全球工业机器视觉市场规模接近160亿美元，年复合增长率在12%以上。增长最快的三个领域：3C电子、新能源汽车、半导体封装。这三个行业有个共同特点——产品越来越小，精度要求越来越高。

我去年帮一家连接器厂商做项目，他们的端子间距只有0.3mm。人工用显微镜看，一天看800个，效率低不说，还经常漏掉划痕。后来上了视觉检测，速度提升到每分钟60个，漏检率直接降到0.05%。

工业质检的典型场景，我列了个表：

行业	检测对象	常见缺陷	精度要求
3C电子	PCB板、连接器、屏幕	划痕、脏污、缺件、偏移	±0.01mm
新能源汽车	电池极片、壳体焊缝	气泡、裂纹、毛刺	±0.05mm
半导体	晶圆、封装引脚	崩边、氧化、共面性差	±0.001mm
食品医药	瓶盖、包装、药片	缺粒、封口不良、异物	±0.5mm

注意看精度要求那一列。半导体封装已经到了微米级，传统算法很难搞定。这时候就需要深度学习来帮忙了。

1.2 YOLO+OpenCV技术栈优势：为什么是这对组合？

很多人问我：老师，现在深度学习框架那么多，为什么偏要用YOLO+OpenCV？

我的回答很简单：工业落地，讲究的是“快、准、稳”。

YOLO的优势：

• 速度快：YOLOv8在GPU上推理一张1080p图像只需要3-5ms，完全满足产线实时性要求。我做过一个项目，产线节拍是每秒10个零件，YOLO跑起来绰绰有余。
• 精度够：mAP能达到95%以上，对于常见的划痕、脏污、缺件，识别率非常高。
• 部署友好：ONNX导出、TensorRT加速，边缘设备上也能跑。

OpenCV的优势：

• 图像预处理：光照校正、滤波、几何变换，这些OpenCV是祖师爷级别的。
• 传统算法补充：有些缺陷用深度学习反而麻烦，比如尺寸测量、边缘检测，OpenCV几行代码搞定。
• 后处理与可视化：画框、标缺陷、生成报表，OpenCV一把梭。

说白了，YOLO负责“找得到”，OpenCV负责“看得清”和“测得准”。两者互补，才是工业落地的王道。

1.3 本课程项目架构总览：从硬件选型到部署方案

这门课不是纸上谈兵。我们会完整走一遍工业质检项目的全流程。先看整体架构：

这张图就是我们整个课程的骨架。从硬件选型开始，到软件流程，再到部署方案，每一步我都会带着大家实操。

硬件选型：别在第一步就踩坑

硬件选型是工业项目最容易翻车的地方。我见过太多人，模型跑得飞起，结果相机分辨率不够，缺陷根本拍不出来。

举个例子：你要检测0.1mm的划痕，相机分辨率至少得200万像素，镜头放大倍率要匹配，光源角度要调好。这些细节，我会在后面的章节里一个一个讲。

软件流程：OpenCV+YOLO的协作模式

软件流程是这门课的核心。我们会这样组织：

1. 图像采集：用相机SDK或者OpenCV的VideoCapture，配合PLC触发信号，做到帧同步。
2. 预处理：光照校正、去噪、ROI提取。这一步OpenCV是主力。
3. YOLO推理：加载训练好的模型，对ROI区域进行缺陷检测。
4. 后处理：用OpenCV对YOLO输出的边界框做过滤、合并、尺寸测量。
5. 结果判定：根据缺陷类型、大小、位置，输出OK或NG。
6. 数据记录：把检测结果存到数据库，方便追溯。

你可能会问：为什么不用纯深度学习端到端？原因很简单——工业场景下，规则引擎比神经网络更可靠。比如尺寸超差，用OpenCV测一下像素距离，比让模型去猜要准得多。

部署方案：从实验室到产线

部署是工业项目的最后一公里，也是最容易出幺蛾子的地方。实验室里跑得好好的，一到产线就各种问题：光照变了、产品换型了、工控机性能不够了。

我们会讲三种部署方案：

方案	适用场景	优点	缺点
边缘设备（Jetson）	产线空间有限、低功耗	体积小、功耗低、实时性好	算力有限、模型不能太大
工控机（Windows/Linux）	高精度、多相机、复杂逻辑	算力强、扩展性好、兼容性好	成本高、体积大
云端推理	数据量大、需要远程监控	算力无限、便于集中管理	网络延迟、数据安全风险

我个人最推荐的是工控机+边缘设备的混合方案。核心检测在工控机上跑，边缘设备做预处理和IO控制。这样既保证了性能，又降低了成本。