4. SICK深度学习工具链入门

SICK 的深度学习视觉检测并不是单一软件，而是一条由“配置—开发—训练—部署—运行”构成的工具链。理解这条工具链的关键，是先分清每个工具在链条中的位置：SICK Nova 面向现场工程师，用图形化方式快速搭建检测方案；SICK AppSpace 面向需要自定义逻辑的开发者，提供 SensorApp 开发与运行环境；Deep Learning Assistant 则负责深度学习模型的训练、评估与导出。三者配合，才能把“相机采集—算法推理—结果输出”完整落地。

一、工具链分工与数据流

在典型项目中，Nova 负责定义检测任务与图像采集参数，AppSpace 负责承载自定义 SensorApp 与设备通信，Deep Learning Assistant 负责用标注图像训练模型并回传模型文件。它们之间的数据流可以概括为：图像与标注进入训练工具，训练产物（模型）进入运行环境，运行环境再通过 Nova 或 AppSpace 输出判定结果。下图展示了这一关系。

二、安装与授权的基本顺序

安装顺序建议遵循“先运行环境、后开发工具、再训练工具”的原则。以一台 SICK 智能相机为例，先确认相机固件版本与 Nova 版本匹配，再安装 Nova 客户端；若需要自定义逻辑，则安装 AppSpace Developer 并在设备上启用 Runtime 授权；最后在具备独立显卡的工控机或服务器上安装 Deep Learning Assistant。授权方面，Nova 通常随设备授权，AppSpace 分为开发授权与运行授权，Deep Learning Assistant 则需要单独的许可证文件。安装完成后，应先在 Nova 中连接相机并确认图像可正常预览，再进入后续训练环节。

三、项目创建流程

项目创建可以按以下顺序推进：第一步，在 Nova 中新建项目，选择“深度学习”检测类型，设置图像分辨率与触发方式；第二步，采集并保存一批代表性图像，覆盖合格品与各类缺陷；第三步，将图像导入 Deep Learning Assistant，进行标注、划分训练集与验证集，启动训练并观察损失曲线；第四步，导出模型文件，回传至 Nova 或 AppSpace 运行环境；第五步，在现场进行验证，统计误检与漏检，必要时补充样本重新训练。

以某包装缺陷检测为例，假设采集 300 张图像，其中 200 张用于训练、100 张用于验证，标注类别为“划痕”“污点”“正常”。训练完成后，若验证集准确率低于 90%，应优先检查标注一致性与样本均衡性，而不是直接增加训练轮数。模型部署后，可在 Nova 中设置置信度阈值，例如 0.75，低于该值的判定为“待定”，交由人工复核。

四、常见问题与判断依据