1. 课程导入与SICK深度学习视觉检测全景

在工业自动化现场，传统机器视觉长期依赖“人工设计特征”的路线：工程师先观察缺陷形态，再编写灰度阈值、边缘算子、模板匹配或斑点分析规则，最后通过反复调参让算法在特定工况下稳定工作。这条路线在尺寸测量、定位引导、字符识别等结构化任务上非常成熟，但一旦遇到划痕深浅不一、织物纹理随机、铸件表面反光变化、装配错漏装形态多样等场景，规则会迅速膨胀且难以维护。深度学习视觉检测的价值，正是把“人写规则”转变为“模型从样本中学习特征”，让检测系统对复杂、多变、难以言表的缺陷具备更强的泛化能力。

SICK 在工业传感与视觉领域拥有完整的产品线，其视觉产品大致可以按“任务复杂度”和“输出信息量”两个维度定位。最基础的是智能视觉传感器，例如 Inspector 系列，它把相机、光源、算法和判定输出集成在一体化外壳中，适合存在/缺失、方向、完整性等二值化判断，通常通过网页界面配置，无需编程。往上是 2D 视觉相机，如 PicoCam、Gocator 等（不同系列定位略有差异），可输出更丰富的图像与测量数据，适合定位、测量、条码/字符识别以及部分表面检测。再往上是基于 PC 的深度学习视觉系统，例如 SICK 的 Deep Learning 解决方案，通常配合高性能工业相机与推理软件，处理像素级缺陷分割、多类别分类、目标检测等复杂任务。理解这条产品线的定位，有助于在项目初期就判断：当前任务到底该用规则视觉、传统 2D 视觉，还是必须上深度学习。

深度学习在工业检测中的典型价值可以归纳为四类。第一类是复杂缺陷检测，例如金属表面划伤、压伤、脏污、氧化，这些缺陷与背景的对比度低且形态随机，传统阈值分割容易漏检或过杀。第二类是纹理表面异常检测，如布匹、纸张、玻璃、注塑件表面，正常纹理本身就有波动，模型需要学习“正常长什么样”，再对偏离正常的区域报警。第三类是多类别分类与目标检测，例如同时判断零件有无、型号是否正确、装配是否到位，并给出缺陷框。第四类是像素级分割，输出缺陷的精确轮廓，用于计算面积、长度或引导后续处理。这四类任务对应的模型结构、标注方式和评价指标各不相同，课程后续会逐一展开。

本课程的整体框架按“从认知到落地”的路线组织。前几章先建立全景认知：理解 SICK 视觉产品线、深度学习的基本原理、工业检测与通用计算机视觉的差异。随后进入数据与标注环节，因为工业深度学习的瓶颈往往不在模型，而在样本质量与标注一致性。接着进入模型训练与评估，重点讲清楚训练集、验证集、测试集的划分逻辑，以及漏检率、过杀率、mAP、IoU 等指标在产线语境下如何解读。再往后是部署与集成，包括推理硬件选型、相机触发与通信、与 PLC/机器人/上位机的接口。最后通过综合案例，把数据采集、标注、训练、评估、部署、验收串成完整闭环。

需要特别强调的是，工业深度学习与通用计算机视觉存在明显差异。通用视觉追求在公开数据集上的平均精度，而工业检测追求的是在特定产线、特定节拍、特定误判成本下的稳定交付。这意味着：样本量可能只有几百张而不是百万张；缺陷样本天然稀少，需要做数据增强或异常检测；模型推理必须在几十毫秒内完成；误判的代价可能是停线或客诉。因此，本课程不会只讲“模型怎么搭”，而会反复回到“产线能不能用、怎么验收”这个落脚点。

为了让学习路径更清晰，可以把整个课程理解为一条从“看得见”到“判得准”再到“用得上”的链路。看得见，指成像与数据采集要稳定，光源、镜头、相机、触发方式必须匹配缺陷特征；判得准，指标注一致、训练充分、评估指标与业务目标对齐；用得上，指推理部署、通信接口、异常处理和验收标准都经过验证。很多项目失败并非模型不行，而是成像不稳定或验收标准模糊。因此，在后续章节中，我们会把数据采集和评估验收放在与模型训练同等重要的位置。

关于本课程使用的示例参数，需要提前说明：文中出现的分辨率、帧率、样本数量、训练轮数、学习率、置信度阈值等，均为教学示例或合理假设，用于说明方法与判断逻辑，不代表任何实际项目的实测结果。真实项目中，这些参数必须根据现场成像条件、缺陷分布和节拍要求重新确定。理解参数背后的取舍逻辑，比记住具体数值更重要。

最后，建立正确的预期也很关键。深度学习不是“万能药”，它擅长处理规则难以描述的复杂模式，但同样依赖稳定的成像、一致的标注和合理的验收标准。把深度学习放在合适的位置，与规则视觉、3D 测量、条码识别等传统手段配合使用，往往比强行用单一技术解决所有问题更可靠。接下来的章节，我们将从 SICK 视觉产品线的具体选型开始，逐步进入数据、模型、部署与案例的完整实战。