VIP10
本课程属于：134-智慧工厂AI与MES_SCADA工程 AI智能与边缘计算工程 · 共 10 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

10. 智慧工厂数据闭环：现场样本、误检复盘和模型迭代

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导入
智慧工厂数据闭环的价值 · 学习目标 · 课程整体框架与适用人群
课程导入智慧工厂数据闭环…
02
核心概念
现场样本 · 误检 · 漏检
核心概念现场样本
03
工业视觉检测基础
传统算法与深度学习在缺陷检测中的差异…
工业视觉检测基础传统算法
04
数据闭环全景
从数据采集 · 标注 · 训练
数据闭环全景从数据采集
05
现场样本采集
如何从产线摄像头 · 传感器 · PLC等源头高效采集真实样本
现场样本采集如何从产线摄像头
06
样本多样性
覆盖不同产品型号 · 光照 · 角度
样本多样性覆盖不同产品型号
07
样本标注规范
标注工具 · 标注类别定义 · 边界框/分割/分类标注的要点与质量控…
样本标注规范标注工具
08
数据清洗与预处理
去重 · 去模糊 · 图像增强
数据清洗预处理
09
误检与漏检的定义
误检（假阳性）和漏检（假阴性）在工业…
误检漏检的定义
10
误检复盘流程
如何从现场反馈中收集误检样本 · 建立问题清单并归类原因
误检复盘流程如何从现场反馈
11
误检根因分析
从数据分布 · 标注错误 · 模型容量
误检根因分析从数据分布
12
误检分类与优先级
按缺陷类型 · 产线影响 · 频率等维度对误检进行排序处理
误检分类优先级
13
模型迭代策略
基于误检复盘结果 · 制定模型更新计划（增量训练 · 微调
模型迭代策略基于误检复盘结果
14
增量学习与在线学习
如何利用新样本持续更新模型 · 避免灾难性遗忘
增量学习线学习
15
主动学习
如何自动筛选高价值样本（如难例 · 不确定样本）供人工标注
主动学习如何自动筛选高价…
16
数据版本管理
样本集版本 · 模型版本 · 标注版本的记录与回溯机制
数据版本管理样本集版本
17
模型评估与验证
在迭代过程中使用精确率 · 召回率 · F1-score等指标评估改进效果
模型评估验证
18
A/B测试与灰度发布
在产线中安全验证新模型 · 降低迭代风险
A/B测试
19
案例实战
电子元器件表面缺陷检测——从现场样本…
案例实战电子元器件表面缺…
20
案例实战
汽车零部件装配质量检测——处理高误检…
案例实战汽车零部件装配质…
21
案例实战
纺织面料瑕疵检测——应对复杂纹理和光…
案例实战纺织面料瑕疵检测
22
工具链与平台
常用数据标注工具（LabelImg · CVAT） · 训练框架（PyTorch
工具链平台
23
自动化数据流水线
构建从产线到数据湖再到训练环境的自动…
自动化数据流水线构建从产线到数据…
24
数据闭环的监控与告警
实时监控模型在产线上的表现 · 自动触发误检复盘
数据闭环的监控告警
25
团队协作与流程规范
数据工程师 · 算法工程师 · 产线操作员之间的协作机制
团队协作流程规范
26
常见问题与解决方案
样本不足 · 标注不一致 · 模型过拟合
常见问题解决方案
27
成本与效益分析
数据闭环的投入产出比 · 如何平衡迭代频率与产线稳定性
成本效益分析
28
综合实战项目
设计一个完整的智慧工厂数据闭环系统 · 从需求分析到上线迭代
综合实战项目设计一个完整的智…
29
前沿趋势
无监督/自监督学习 · 合成数据 · 边缘端持续学习在数据闭环中的应用
前沿趋势无监督
30
课程总结与进阶路径
核心要点回顾 · 常见误区 · 推荐资源与后续学习方向
课程总结进阶路径