1. VisionPro深度学习平台概览

VisionPro Deep Learning 是康耐视在传统 VisionPro 机器视觉软件之上叠加的一套深度学习工具集。它并不是把 VisionPro 推倒重来，而是在同一套图像采集、标定、通信与部署框架内，增加以样本驱动的神经网络检测能力。理解这一点的关键，是分清两类工具各自擅长什么：传统视觉工具依赖人工定义的特征与规则，适合几何尺寸稳定、对比度明确、可被公式描述的任务；深度学习工具依赖大量标注样本学习特征分布，适合外观多变、缺陷形态不规则、难以用阈值和边缘规则穷举的任务。二者在同一个作业（Job）中可以串联使用，例如先用传统工具定位并校正产品姿态，再把校正后的图像区域交给深度学习工具判断缺陷。

工具集构成与分工

VisionPro Deep Learning 的核心工具通常按任务类型划分，主要包括以下几类：

• 分类（Classification）：判断整幅图像或指定区域属于哪一类，例如合格/不合格、A 类缺陷/B 类缺陷。输出是类别标签与置信度。
• 分割（Segmentation）：对图像逐像素判断是否属于目标区域，常用于缺陷区域提取、涂覆区域识别、异物定位。输出是像素级掩膜。
• 目标检测/定位（Object Detection / Localization）：在图像中找出目标的位置与类别，适合多个零件、多个缺陷同时出现的场景。
• 异常检测（Anomaly Detection）：只用合格样本训练，对偏离正常分布的区域给出异常分数，适合缺陷样本稀少、难以收集反例的场合。

这些工具共享同一套训练流程：准备图像、标注、划分训练/验证集、选择网络与训练参数、训练、评估、调优、导出部署。区别在于标注形式与输出形式不同，因此选择工具的第一步不是调参，而是明确“我要的输出是类别、像素区域，还是目标框”。

与传统视觉工具的关系

把深度学习工具理解为“传统工具的补充”比理解为“替代”更准确。传统工具的优势在于确定性：PatMax 的定位结果可复现、可解释，Caliper 的测量值有明确的像素到毫米换算关系，Blob 的面积阈值可以直接对应工艺规格。当产品几何稳定、光照可控时，传统工具往往更快、更省样本、更容易通过审核。深度学习工具的优势在于容忍变化：当缺陷表现为划痕深浅不一、脏污形状随机、纹理背景复杂时，人工写规则会陷入“调好这个又坏那个”的循环，此时用样本训练模型更有效。

实际项目中常见的组合方式是：用 PatMax 或 CogCalib 先做定位与畸变校正，把产品统一到标准坐标系；再用传统工具做尺寸、间距、读码等可量化检测；最后把难以规则化的外观缺陷交给深度学习工具。这样既保留了可追溯的量化结果，又覆盖了规则难以描述的缺陷类型。

典型工业检测场景

在 3C 电子、汽车零部件、新能源、医药包装等行业，VisionPro Deep Learning 常见的落地场景包括：

• 表面缺陷检测：金属外壳划痕、玻璃盖板崩边、电池极片毛刺、注塑件缩水与流痕。这类缺陷形态多变，适合分割或异常检测。
• 装配完整性检查：螺丝是否漏装、连接器是否插到位、标签是否贴偏。适合分类或目标检测。
• 字符与标识检测：低对比度、磨损、变形字符的识别与校验，可与传统 OCR 工具配合。
• 异物与脏污检测：食品包装内异物、药片表面污点，常用异常检测降低对反例样本的依赖。

选择工具时可参考一个简单判断：如果缺陷能被一句话规则描述清楚（如“面积大于 0.5 mm² 的黑点”），优先用传统工具；如果缺陷需要“看过很多样本才知道长什么样”，优先用深度学习工具。

部署形态与工程约束

训练通常在带 GPU 的工程站上完成，部署则根据产线条件选择形态。PC 端 VisionPro 适合已有工控机、需要与传统工具混合编排的场合；边缘设备如 In-Sight 智能相机适合空间受限、单工位独立判断的场景；产线集成则需要把检测结果通过 PLC、机器人或 MES 接口输出，用于分拣、报警或数据追溯。

部署前需要确认几个工程参数：单帧推理时间是否满足节拍（例如产线节拍 200 ms，则推理加通信需留出余量）；模型在目标设备上的内存占用；以及当产品换型时，模型是否需要重新训练或仅调整阈值。这些约束会反过来影响训练阶段的分辨率选择与网络规模，因此在项目初期就应明确部署目标，而不是训练完成后再考虑移植。