1. 课程导入与XG-X系统认知

在3C电子、汽车零部件、锂电、医药包装等制造现场，外观检测长期面临一个矛盾：缺陷种类越来越多，而人工目检的稳定性越来越难保证。划痕、脏污、压伤、缺料、字符模糊这类缺陷，往往没有固定形状和固定位置，用传统视觉的“阈值+边缘+模板匹配”写规则，工程师需要为每一种缺陷反复调参，一旦换料号、换光照、换批次，规则就可能失效。KEYENCE XG-X系列深度学习视觉检测系统，正是针对这类“规则难以描述、样本可以收集”的检测场景设计的。

XG-X的定位可以概括为一台“可编程的深度学习视觉控制器”。它把图像采集、深度学习推理、传统视觉算法、逻辑判断、通信输出整合在一个控制器内，配合CA系列相机、专用光源与镜头，构成一套可直接部署到产线的检测单元。与纯PC+显卡的深度学习方案相比，XG-X的优势在于工业现场的确定性：启动时间固定、推理节拍稳定、无需操作系统维护，并且可以在同一台设备上把深度学习结果与尺寸测量、OCR、颜色判定等传统工具串联使用。

它的核心能力主要落在三类任务上。第一类是缺陷检测，即判断图像中是否存在异常，例如表面划痕、异物、印刷缺失；第二类是分类识别，即把目标归入预定义类别，例如把产品分为良品、A类不良、B类不良；第三类是定位与分割，即找出目标的位置、区域或轮廓，用于引导抓取、涂胶路径或后续测量。这三类能力在XG-X中通过不同的“检测单元”实现，工程师在软件里选择任务类型、导入样本、标注、训练、设定判定阈值，再把它接入检测流程。

典型应用场景可以按“缺陷是否可枚举”来划分。当缺陷形态固定、边界清晰时，传统视觉往往更快更省成本；当缺陷形态多变、难以用规则描述时，深度学习更合适。例如连接器端子压伤，压伤位置和形状每次不同，用深度学习做异常检测比写边缘规则更稳；而螺丝有无、标签有无这类“存在性”判断，用传统视觉的面积或模板匹配就足够。XG-X的价值在于它同时支持两类工具，工程师可以按工位需求混合使用，而不是被迫二选一。

下面这张图把XG-X系统的组成与数据流放在一起，帮助建立整体认知。左侧是成像端，中间是控制器内的处理链，右侧是产线接口与结果去向。

从图中可以看到，XG-X并不是“一个模型解决所有问题”，而是一条可拆解、可定位的链路。实际调试时，如果最终结果不稳定，工程师应当按链路顺序排查：先确认图像是否清晰、缺陷是否可见；再看样本是否覆盖了真实变异；然后检查标注是否一致；接着确认训练是否收敛、阈值是否合理；最后确认通信时序是否与产线节拍匹配。这个顺序能避免“一上来就调模型”的常见误区。

本课程的学习路径按“认知—成像—数据—训练—判定—集成—优化”推进。前几章建立系统概念与硬件选型意识；中间章节进入实际操作，包括如何采集样本、如何标注、如何设置训练参数、如何用验证集评估模型；后段聚焦产线集成与稳定性，包括通信配置、节拍优化、误检漏检的归因方法。每一章都会围绕一个可执行的任务展开，而不是停留在功能罗列。

实战目标可以具体化为：完成一个典型外观缺陷检测工位的搭建。假设检测对象为某连接器外壳，需要识别三类状态：良品、划伤、异物。示例参数可设为：相机视野约30mm×20mm，工作距离约110mm，采用条形光源低角度打光以突出划伤；样本计划采集良品300张、划伤150张、异物150张，其中80%用于训练、20%用于验证；判定阈值先设为0.7，再根据验证集的漏检与误检情况调整。这些数值属于教学示例，实际项目需按现场成像与缺陷分布重新确定。

判断模型是否可用，不能只看训练时的准确率。更实用的做法是看验证集上的混淆情况：漏检（把NG判成OK）通常比误检代价更高，因此阈值往往向“宁可多报、不可漏报”方向调整，再通过复判或二次检测降低误报。课程中会反复使用这种“先看漏检、再看误检、最后看节拍”的判断顺序。

学完本课程，你应当能够独立完成：根据缺陷特征判断是否适合深度学习；为XG-X选择合适的相机、镜头与光源；采集并组织训练/验证样本；在软件中完成标注、训练与阈值设定；把检测结果通过通信接口输出给PLC；并在出现误检漏检时，按链路定位问题环节。接下来从系统组成与硬件认知开始，逐步进入实际操作。