1. 课程导入与In-Sight深度学习概览

在工业现场，传统机器视觉擅长处理规则明确的任务：边缘、灰度阈值、模板匹配、Blob 分析、字符识别。但当缺陷形态不稳定、背景纹理复杂、良品本身存在天然差异时，规则会迅速膨胀，参数越调越多，误检与漏检却难以同时压下去。In-Sight 深度学习视觉检测要解决的，正是这类“人一眼能看出、规则却写不清”的问题。它把检测逻辑从“人写规则”转变为“人给样本、模型学特征”，让相机在产线上直接完成分类、检测、分割与字符读取等判断。

需要先建立一个清晰定位：In-Sight 深度学习不是替代传统视觉，而是与其互补。尺寸测量、定位引导、简单有无判断，仍应优先用传统工具，因为它们确定、快速、可解释。深度学习更适合外观缺陷分类、复杂表面异常检测、装配完整性判断、低对比度字符读取、多类别分拣等场景。判断是否该用深度学习，可以问三个问题：缺陷边界是否难以用几何或灰度规则描述？良品是否存在较大自然波动？现场能否收集到足够且有代表性的样本？三者越偏向“是”，深度学习越值得投入。

从系统构成看，In-Sight 深度学习应用是一条从成像到决策的完整链路。光源与镜头决定“能不能看清”，相机与曝光决定“信号是否稳定”，样本与标注决定“模型学到什么”，训练参数决定“模型如何收敛”，现场阈值与判定逻辑决定“结果如何输出”，而通信与产线控制决定“检测结果如何被执行”。任何一环薄弱，最终都会表现为误检、漏检或节拍不达标。因此本课程不会只讲“怎么点按钮”，而是沿着这条链路，把每个环节的关键输入、可观察变化和判断依据讲清楚。

上图把整门课程的主线一次展开：左侧是成像与样本，中间是训练，右侧是现场判定与通信，底部则给出传统视觉与深度学习的适用边界。学习时建议始终把具体操作放回这条链路中理解——调曝光时想“这会影响哪类缺陷的对比度”，标样本时想“这会不会让模型学到背景而非缺陷”，设阈值时想“误检和漏检哪个代价更高”。

典型工业应用场景可以归为四类。第一类是外观缺陷分类，例如注塑件表面的划痕、脏污、缩水、气纹，按类别输出 OK/NG 或缺陷类型。第二类是装配完整性检测，例如连接器针脚是否缺失、歪斜、错位，螺丝是否漏装，密封圈是否到位。第三类是复杂字符读取，例如低对比度、点阵、曲面、磨损字符的 OCR。第四类是异常检测与分割，例如织物、金属表面、涂布面的未知异常定位，输出缺陷区域掩膜供后续测量或剔除。

以注塑件外观检测为例，一个合理的教学示例参数可以这样设定：视野约 80 mm × 60 mm，工作距离 200 mm，使用白色环形光加低角度条形光突出划痕；相机曝光时间 800 μs，增益 0 dB，触发由 PLC 光电传感器上升沿给出。样本方面，良品不少于 150 张，覆盖不同批次、不同光照位置；缺陷样本按划痕、脏污、缩水三类各不少于 80 张，并保留 20% 作为验证集。训练时选择分类网络，迭代 300 轮，初始学习率 0.001，观察训练损失与验证准确率是否同步下降。现场判定时，置信度阈值先设 0.7，再根据产线对漏检的容忍度调整。这些数值属于教学示例，实际项目必须依据现场成像与样本情况重新确定。

结果判断不能只看“准确率”一个数字。现场更应关注三个指标：漏检率（NG 被判为 OK）、过杀率（OK 被判为 NG）、节拍（单件推理时间）。漏检通常比过杀代价更高，因此阈值往往向“宁可过杀、不可漏检”方向偏移，再通过补充样本和优化成像把过杀压回去。若验证集准确率很高但现场过杀严重，优先怀疑训练样本与现场分布不一致，而不是继续调阈值。

本课程的实战目标，是让读者能够独立完成一个 In-Sight 深度学习检测项目的闭环：从现场取像评估开始，判断任务是否适合深度学习；设计光源与拍摄方案；采集并标注样本；选择网络并完成训练；在验证集上评估；部署到相机并设定判定阈值；通过 PLC 或以太网输出结果；最后根据现场误检漏检记录，反向补充样本并迭代模型。这条闭环走通一次，比记住十个参数更有价值。

接下来进入具体内容前，请先建立两个习惯：一是任何参数调整都记录前后对比，包括图像、样本数量、阈值和现场结果；二是任何结论都区分“教学示例”与“现场实测”。工业视觉项目的可靠性，来自可复现的成像、可追溯的样本和可验证的判定，而不是一次训练出来的漂亮曲线。