1. MERLIC深度学习视觉检测入门
MVTec MERLIC 是德国 MVTec 公司推出的一款面向工业机器视觉的图形化应用开发软件。它的核心定位可以用一句话概括：让不具备编程背景的工程师，也能快速搭建可运行的视觉检测应用。与 HALCON 这类以算子编程为核心的底层库不同，MERLIC 把大量成熟的视觉算法封装成可拖拽的"工具"（Tool），用户通过组合工具、连接图像源、配置参数，就能完成从图像采集到结果输出的完整流程。对于深度学习检测而言，MERLIC 的价值在于它把训练好的深度学习模型当作一个标准工具来调用，使深度学习能力可以像传统视觉工具一样被集成进产线检测方案中。
理解 MERLIC 的定位，需要先厘清它与同门产品的关系。MVTec 的产品线中，HALCON 是算法库，适合需要高度定制、追求极限性能的开发者；MERLIC 则建立在 HALCON 的算法基础之上，提供图形化前端，牺牲了一部分灵活性，换来了开发效率和可维护性。MERLIC 的深度学习工具本质上是对 HALCON 深度学习算子的封装，因此模型训练通常仍在 HALCON 或 MVTec 的深度学习工具链中完成，而 MERLIC 负责推理与集成。这一点对学习路径规划非常关键：MERLIC 阶段的核心任务是"用好模型"，而不是"训练模型"。
MERLIC 深度学习检测模块概览
MERLIC 提供的深度学习工具覆盖了工业检测中最常见的几类任务，主要包括：
- 异常检测（Anomaly Detection）：只需正常样本即可训练，用于发现未知缺陷，适合缺陷形态多变、难以穷举的场景。
- 分类（Classification）：判断整幅图像或指定区域的类别，例如良品/不良品、不同型号或等级。
- 目标检测（Object Detection）：定位并识别图像中的多个目标，输出边界框与类别，适合缺陷定位、零件计数。
- 语义分割（Semantic Segmentation）：对每个像素分类，输出缺陷区域的精确轮廓，适合划痕、脏污等需要面积和形状评估的检测。
这些工具在 MERLIC 中的使用方式高度一致：加载模型文件、输入图像、设置置信度阈值等参数、读取结果。差异主要体现在模型类型和结果数据结构上。例如分类工具输出类别标签与置信度，目标检测工具输出一组边界框及其坐标，分割工具输出像素级掩膜。理解这种"输入—参数—输出"的一致性，是快速上手多个深度学习工具的关键。
典型工业检测场景
深度学习在工业视觉中的落地场景，通常具备"缺陷形态复杂、传统规则难以描述"的特征。以下是几类典型场景及其与 MERLIC 工具的对应关系。
| 场景 | 检测目标 | 推荐工具 | 关键输出 |
|---|---|---|---|
| 金属表面缺陷 | 划痕、凹坑、氧化斑 | 异常检测 / 语义分割 | 异常分数、缺陷掩膜面积 |
| 电子元件外观 | 缺件、错件、极性反 | 分类 / 目标检测 | 类别标签、边界框位置 |
| 纺织布面 | 断经、污渍、破洞 | 语义分割 | 缺陷区域轮廓与面积 |
| 装配完整性 | 螺丝缺失、卡扣未到位 | 目标检测 | 目标数量与置信度 |
以金属表面缺陷检测为例，假设某产线需要检测冲压件表面的划痕。传统方法可能用边缘检测加形态学处理，但划痕方向、长度、对比度变化大，阈值难以统一。改用异常检测工具后，只需采集约 100～200 张正常样本训练模型，推理时输入待检图像，工具输出一个异常分数。示例中可将阈值设为 0.5，分数高于 0.5 判为 NG。若需要进一步知道缺陷面积，可叠加语义分割工具，输出掩膜后统计像素面积，再换算为实际尺寸。这里的样本数量、阈值和面积换算均为教学示例，实际项目需根据成像分辨率和缺陷标准标定。
学习路径规划
对于初次接触 MERLIC 深度学习检测的学习者，建议按以下路径推进，避免一开始就陷入模型训练的细节。
- 熟悉 MERLIC 基本操作：理解图像源、工具、结果三个核心概念，能独立搭建一个传统视觉检测流程，例如模板匹配加测量。
- 掌握深度学习工具调用：使用预训练模型或示例模型，分别跑通异常检测、分类、目标检测、语义分割四类工具，观察各自的输入输出差异。
- 理解参数与结果判读：重点掌握置信度阈值、异常分数阈值、最小缺陷面积等参数对结果的影响，学会用结果数据判断 OK/NG。
- 完成一个端到端案例：选择一个真实或模拟场景，从图像采集、模型加载、参数配置到结果输出，完整走通一遍。
- 再回头补充训练知识：当推理流程熟练后，再学习样本采集、标注和训练，理解模型质量对检测效果的影响。