1. 课程导论与行业背景：工业4.0下的视觉检测

大家好，我是老张。在工业视觉这行摸爬滚打了十几年，从最早的CCD定位到现在的深度学习缺陷检测，踩过的坑比走过的路还多。今天咱们开始这门课，第一讲先聊聊大背景——工业4.0到底给视觉检测带来了什么变化。

1.1 工业4.0：视觉检测的新战场

工业4.0这个概念，说白了就是让工厂变得更「聪明」。机器能自己判断、自己调整、自己优化。而视觉检测，就是给机器装上一双「眼睛」。

我2016年去德国参观一家汽车零部件工厂，人家产线上已经全是自动化视觉检测了。当时国内很多厂还在靠人工目检，效率低不说，漏检率还高。这几年差距在缩小，但核心问题依然存在——怎么让视觉系统真正稳定地跑在产线上？

你想想看，一条产线每分钟过几百个产品，每个产品可能有几十种缺陷。人工看？眼睛早花了。传统机器视觉？光照一变就误报。深度学习来了，但部署到产线又是另一回事。这就是咱们这门课要解决的核心矛盾。

1.2 缺陷检测的痛点：为什么这么难？

我在项目中遇到过太多「看起来简单，做起来崩溃」的案例。比如手机屏幕划痕检测，实验室精度99.9%，一上产线直接掉到85%。为什么？

痛点	具体表现	我的亲身经历
数据获取难	缺陷样本太少，正负样本极度不平衡	曾经为了收集一个划痕样本，蹲了三天产线
环境变化大	光照、角度、震动，每时每刻都在变	有一次客户车间换了批灯管，模型直接崩了
实时性要求高	单张图处理时间不能超过50ms	用YOLOv5跑过，精度够了但速度差20ms
部署环境复杂	工控机、PLC、相机、光源，一堆设备要配合	最怕客户说「你那个模型在电脑上跑得好好的啊」
误报代价大	过杀浪费产能，漏杀直接赔钱	某次误报率高了2%，客户产线直接停了半天

1.3 课程整体架构：从训练到调试的全链路

这门课一共30章，我把它分成四个阶段。每个阶段解决一个核心问题。

1.4 学习路径：怎么学最有效？

我个人建议的学习路径是这样的：

1. 先看第2-6章：把数据采集和标注搞明白。很多同学一上来就调模型，结果数据质量不行，模型再牛也白搭。
2. 再啃第7-14章：模型训练和优化。这里我会讲很多实战技巧，比如怎么用少量样本训出好模型。
3. 重点看第15-22章：部署和推理。这是最容易被忽视的环节，也是产线出问题最多的地方。
4. 最后第23-30章：工程调试。这部分我会手把手教你怎么跟产线对接，怎么排查问题。

1.5 这门课能给你什么？

说白了，这门课不是教你调参的，是教你「怎么把模型变成产品」的。我这些年带过不少新人，发现最大的问题不是技术不行，而是「不知道产线真正要什么」。

• 如果你是算法工程师：你会学到怎么让模型在工控机上跑得又快又稳
• 如果你是部署工程师：你会学到怎么跟算法团队高效配合
• 如果你是项目经理：你会学到怎么评估一个视觉项目的可行性