1. 课程导论与行业背景：工业缺陷检测的痛点、传统方法的局限性、深度学习带来的变革

大家好，我是这门课的主讲。在AI视觉落地领域摸爬滚打了七八年，我踩过的坑，可能比你们见过的模型还多。今天咱们开篇，不聊虚的，直接切入工业缺陷检测这个“硬骨头”。

为什么说它是硬骨头？你想想看，一条产线每分钟跑几百个零件，每个零件上可能只有针尖大小的划痕、零点几毫米的脏污。人眼盯久了会花，传统机器视觉遇到复杂纹理就懵。这活儿，说白了，就是让算法在“沙子堆里找特定形状的沙子”。

1.1 工业缺陷检测的“三座大山”

我在2018年给一家3C电子厂做项目时，深刻体会到了什么叫“甲方一句话，工程师跑断腿”。他们的需求很直接：漏检率低于0.1%，过杀率低于2%。听起来简单？做起来全是坑。

我把这些痛点归纳为“三座大山”：

• 数据之山：好产品堆成山，坏产品万里挑一。正负样本比例经常是1000:1甚至更高。模型根本没见过“坏”的长什么样。
• 缺陷之山：缺陷种类多、形态变。划痕有深有浅，脏污有大有小，气泡有圆有扁。同一个“划痕”类，可能长得完全不一样。
• 部署之山：产线要求实时检测，一秒钟处理几十张图。你实验室里跑得飞快的ResNet-152，上了嵌入式设备直接卡成PPT。

1.2 传统方法的局限性——我为什么放弃了“老路子”

早些年，工业检测基本是传统图像处理的天下。我记得2016年刚入行时，师傅教我用Halcon写规则：设定一个灰度阈值，把缺陷区域“抠”出来。

这种方法在特定场景下很管用。比如检测手机玻璃盖板的边缘崩边，背景单一，缺陷对比度高，一个简单的边缘检测算法就能搞定。但一旦遇到复杂情况，就彻底歇菜了。

我给大家列个对比表，看看传统方法的“天花板”在哪：

对比维度	传统方法（规则/特征工程）	我的评价
光照鲁棒性	极差，换个光源就得重新调参	产线工人最怕换灯泡
缺陷泛化能力	只能检测“写死”的缺陷类型	新缺陷出现，算法直接“失明”
复杂纹理背景	几乎无效，误报率飙升	比如检测布匹上的断纱，纹理一乱就崩
开发周期	每个项目都要重新设计特征	我做过一个项目，调参调了两个月
维护成本	高，产线微调就得改代码	甲方一个电话，你就得飞过去

说白了，传统方法就像“手写规则”。你告诉计算机：灰度值低于100的就是缺陷。但现实世界哪有这么简单？光照一变，灰度值全变了。我曾经在一个金属表面划痕检测项目上，用传统方法折腾了三个月，最后精度卡在85%上不去。甲方一句“这还不如人眼”，让我彻底转向了深度学习。

1.3 深度学习带来的变革——从“写规则”到“学特征”

深度学习的出现，本质上改变了我们解决问题的思路。以前我们是“告诉计算机什么是缺陷”，现在是“让计算机自己学会什么是缺陷”。

我把它总结为三个核心变革：

1. 特征自动提取：CNN（卷积神经网络）能从原始像素中自动学习到从边缘、纹理到语义的多层级特征。你不需要再手动设计SIFT、HOG这些特征了。
2. 强大的泛化能力：一个训练好的模型，能应对光照变化、角度偏移、甚至部分遮挡。这在传统方法里是不可想象的。
3. 端到端的学习：输入图像，直接输出缺陷位置和类别。整个流程可以联合优化，精度远超传统pipeline。

但这里有个关键点：深度学习虽然强，但它“贪吃”。它需要海量的、高质量的标注数据。这就回到了我们刚才说的“数据之山”。

下面这张图，是我自己总结的“工业缺陷检测知识体系”，也是咱们这门课的核心脉络：

你看，整个知识体系是闭环的。数据增强喂饱模型，模型训练产出高精度网络，量化部署让网络在边缘设备上跑起来。任何一个环节掉链子，项目都推不动。

1.4 这门课能给你什么？

我不喜欢讲空话。这门课的目标很明确：

• 实战导向：每一章都对应一个真实项目中的痛点。不是纸上谈兵，是“我踩过坑，我告诉你哪里是坑”。
• 全链路覆盖：从数据采集、样本增强、模型训练，到量化、剪枝、部署，一条龙讲透。
• 代码可复现：所有核心代码都会提供，你拿过去改改就能用。