1. 课程导入

在智能制造加速演进的今天，质检环节正从“人工目检+抽检”向“机器视觉+AI全检”迁移。所谓智慧工厂AI质检，是指在工厂生产线上，利用工业相机、传感器、边缘计算设备与深度学习算法，对产品外观、尺寸、装配状态、字符标识等进行自动识别、判定与追溯的完整技术体系。它不只是“用AI替代人眼”，而是把检测结果与MES、QMS、PLC、机器人等系统联动，形成“检测—判定—分拣—反馈—优化”的闭环。

一、核心原理：从像素到决策的四层链路

AI质检的底层逻辑可以拆成一条清晰的信号链：成像→预处理→推理→决策执行。成像层决定“能不能看清”，预处理层决定“数据干不干净”，推理层决定“判得准不准”，决策层决定“动作快不快、可不可追溯”。很多项目失败，不是模型不行，而是成像不稳定或决策链路没打通。

以表面缺陷检测为例，典型流程如下：

工业相机采集图像
  → 图像去噪/畸变校正/ROI裁剪
  → 缺陷分割或分类模型推理
  → 置信度阈值判定 + 规则后处理
  → 输出OK/NG信号给PLC
  → NG品剔除并上传MES/QMS
  → 数据回流用于模型迭代

其中，阈值判定和规则后处理常被忽视。模型输出的是概率，工厂要的是“过杀率”和“漏检率”的平衡。比如划痕检测中，置信度0.85以上判NG，0.6~0.85转人工复判，0.6以下判OK，这种分级策略比单纯调模型更有效。

二、学习目标：学完能做什么

本课程不是纯算法课，也不是纯设备课，而是面向落地交付的工程课。学完后，你应当具备以下能力：

• 能定义问题：把“质检不准”翻译成成像、算法、阈值、执行中的具体环节。
• 能选型方案：根据缺陷类型、节拍、精度，选择2D/3D、传统视觉/深度学习、边缘/云端。
• 能搭建基线：完成数据采集、标注、训练、评估、部署的最小闭环。
• 能评估指标：看懂漏检率、过杀率、mAP、IoU、节拍、CPK，并知道如何权衡。
• 能排障复盘：面对误判、漂移、节拍不达标，有系统化的排查路径。

三、课程整体框架：从认知到交付的六段式

30章内容按“认知—数据—算法—部署—运维—价值”六段展开，每段都有明确产出物。

四、行业价值与典型场景

AI质检的价值不是“炫技”，而是直接对应工厂的三个硬指标：质量、成本、交付。在3C电子、汽车零部件、新能源电池、医药包装、纺织化纤等行业，典型场景包括：

• 表面缺陷：划痕、脏污、气泡、色差、压伤。
• 尺寸测量：孔径、间距、角度、平面度。
• 装配确认：螺丝缺失、卡扣到位、线束走向。
• 字符识别：批次号、二维码、OCR/OCV。
• 内部缺陷：X-Ray、超声、红外热成像。

五、常见误区与复盘

初学者最容易踩的坑，不是模型选错，而是把AI质检当成纯算法问题。以下误区值得警惕：

1. 先买相机再想算法：成像方案没定，后面全白做。应先明确缺陷最小尺寸、对比度、节拍。
2. 追求100%准确率：工业场景要的是漏检率与过杀率的平衡，不是学术指标。
3. 忽视数据标注一致性：同一缺陷不同人标法不同，模型必然学乱。
4. 不做现场验证：实验室OK，产线光照、震动、温度一变就崩。
5. 没有闭环：检测结果不回流，模型永远停在第一版。