工业视觉 on FXIO 技术博客

深度学习实战——从标注到部署的完整闭环

Sat, 11 Jul 2026 18:00:00 +0800

核心问题：怎么让一个“不会看”的模型，学会识别工业零件表面的划痕？

质检员的 0.5 秒困境

想象你是一个质检员，面前是传送带上飞速流动的钢板。每秒几十张，你要在 0.5 秒内判断：这张有没有划痕？有没有夹杂物？有没有裂纹？

人眼做不到。但神经网络可以。

目标——用深度学习，把这双"眼睛"训练出来。从 CNN 的底层原理开始，经过 YOLO 目标检测实战、LabelMe 数据标注，到用 trace-cn 辅助写训练代码，最终走完**“标注→训练→推理”**的完整闭环。

CNN 基础：卷积神经网络到底在"看"什么？

从生物视觉到数学公式

CNN 的设计灵感来自人类视觉皮层。你看到一张照片，不是逐个像素分析的——你先看到边缘，再看到形状，最后组合出"这是一张脸"。CNN 干的是同样的事：

浅层卷积核提取边缘、纹理（“这里有条线”）
中层把边缘组合成形状（“这是个圆形”）
深层把形状组合成语义（“这是个齿轮”）

核心操作是卷积：一个小的权重矩阵（比如 3×3）在图像上滑动，每个位置做加权求和。一个 3×3 的卷积核只有 9 个参数，却能扫描整个图像——这就是参数共享的威力。全连接网络处理一张 224×224 的图片需要上亿参数，CNN 可能只需要几万。

为什么卷积核能提取特征？

假设你有一个检测水平边缘的卷积核：

[[-1, -1, -1],
[ 0, 0, 0],
[ 1, 1, 1]]

当它滑过图像时，遇到"上暗下亮"的区域，输出值就很大；遇到均匀区域，输出接近零。所以卷积核本质上就是一个模式匹配器——每个核负责匹配一种特定的视觉模式。

池化层：压缩但不丢失

卷积之后通常接一个池化层（最常见的是 2×2 最大池化）。它做的事情很简单：把 2×2 区域里的最大值保留下来，其余扔掉。

为什么这么"浪费"？因为池化做了两件事：

降低计算量：特征图尺寸减半，参数量降到 25%
增加鲁棒性：目标稍微平移一点，最大池化的输出不变

这就像你看一个人，不需要记住他脸上每个像素的位置，只需要知道"眼睛在鼻子上面"这种相对关系。

训练的三驾马车：损失函数、学习率、早停

损失函数衡量模型预测和真实值的差距。不同任务用不同的损失：

分类用交叉熵（“你预测是猫，但其实是狗，惩罚！"）
目标检测用 CIoU Loss（同时考虑框的重叠面积、中心距离、宽高比）
分割用 Dice Loss（对小目标特别敏感，比如医学影像里的肿瘤）

学习率控制每次更新参数的步长。太大了来回震荡，太小了原地踏步。实际训练中常用自适应学习率（如 Adam），它会根据梯度自动调整步长——梯度大就小步走，梯度小就大步跑。

用 YOLO 数筷子——从 OpenCV 到深度学习的目标检测实战

Sun, 28 Jun 2026 20:00:00 +0800

不锈钢筷子头挨着头、反光闪瞎眼，OpenCV 霍夫圆直接投降。这个小项目走了一遍从传统 CV 到深度学习的完整路径。

那些反光的筷子头，把 OpenCV 逼疯了

事情是这样的：要数一把不锈钢筷子有多少根。听起来很简单对吧？拿个相机拍一下，数圆圈就行了。

用 OpenCV 的霍夫圆变换（HoughCircles）试了一下——惨不忍睹。不锈钢顶部的金属反光和阴影被边缘检测器当成独立实体，满屏幕乱飞的假阳性圆圈。筷子头挨得又近，阴影轮廓互相粘连，算法根本分不清这是 16 根筷子还是 2 个异形物体。

更要命的是调参。换个光照条件，param1、param2 又得重来。换个桌面背景，再来一遍。这不是写代码，这是在做手工。

这就是传统 CV 的死穴：它只认几何形状，不认"东西"。霍夫圆变换的逻辑是"找到符合圆方程的像素点集合"，它不理解"这是一根筷子的截面"这个概念。光照一变、角度一变、排列一变，像素梯度就变了，算法就废了。

为什么 YOLO 能搞定

YOLO 的思路完全不同。它不是在像素层面找几何形状，而是从数百万张图片里学会了"什么是筷子头"。它理解的是语义特征，不是像素梯度。

具体到这个场景：

问题	OpenCV (霍夫圆)	YOLO
不锈钢高光	把光斑误判为实体	能通过上下文推理出这是光斑
筷子头紧密排列	把多个物体融合成一个	擅长分辨紧密排列的多个实例
换光照/换背景	每次都要重调参	一次训练，到处通用

简单说：OpenCV 是"按规则找"，YOLO 是"凭经验认"。规则怕变化，经验怕没见过——但筷子头这种常见物体，YOLO 的训练集里见得多了。

从标注到训练：三步走

第一步：安装标注工具

先检查 Python 版本：

python --version

Python ≥ 3.9 → 用 LabelMe，支持圆形/多边形标注，本项目用的就是它
Python ≤ 3.8 → 建议用 LabelImg，只支持矩形框，但兼容性更好

💡 LabelMe 依赖的 pyqt5 在 Python 3.8 以下版本经常装不上，折腾半小时不如直接换工具。

从数据到系统——当工业视觉遇上 AI 工程化

Sun, 28 Jun 2026 18:00:00 +0800

核心问题：光有技术不够，怎么把它变成一个能落地的系统？

那个"模型做出来了但用不了"的尴尬时刻

你有没有遇到过这种情况：团队花了一个月训练出一个效果不错的模型，兴冲冲拿给客户看，客户问"那我怎么用？"，然后就尴尬了。

工程化——从“我懂原理”到“我能交付”的转变。下面从预测性维护的数据分析开始，一路走到成像系统的智能选型，最后把行业知识封装成可复用的工具。整个过程，与其说是在学技术，不如说是在学怎么把技术变成产品。

预测性维护：用数据讲故事

上午的切入点是 AI4I 2020 预测性维护数据集。这个数据集模拟了工业设备的运行参数：空气温度、工艺温度、转速、扭矩、刀具磨损量，共 10,000 条记录，其中只有 3.39% 是故障样本。

先别急着建模

很多工程师拿到数据第一反应是"赶紧上模型"。但课程的做法是：先做 EDA（探索性数据分析）。

为什么？因为如果你不理解数据，模型给你的结果你也看不懂。就好比你不懂电路图就去修电器，运气好能修好，运气差就炸了。

具体做了什么？几个关键发现：

扭矩和转速的散点图一画出来，故障样本和正常样本的分布区域一目了然。OSF（过冲故障）集中在高扭矩（>50 Nm）+ 高刀具磨损（>180 min）区域
故障率按产品类型递减：L(3.92%) > M(2.77%) > H(2.09%)，这个规律可以直接指导备件策略和质保定价
RNF（随机故障）只有 19 条，这种极端不均衡的数据，直接丢进模型训练大概率会出问题

从分析报告到交互看板

最终产出的不只是一个分析报告，而是一个交互式的数据看板（HTML）。可以点选、筛选、动态展示。

这个思路在工业场景里特别实用。你给产线管理者一份 PDF 报告，他可能看都不看；但你给他一个能点来点去的看板，他至少会好奇地点两下。这两下，可能就是他理解数据的开始。

课程还给出了一个很实用的规则引擎建议：不用部署 ML 模型，直接把阈值规则嵌入 SCADA 系统，就能覆盖约 70% 的故障预警场景。有时候，够用就好。

从提示词到智能体：把经验变成工具

下午画风一转，开始讲怎么把行业知识封装成 AI 智能体。

成像系统选型专家

核心案例是"成像系统选型专家"。传统做法是找一个有十年经验的工程师，你告诉他"我要检测手机壳表面划痕"，他会问你一堆问题（精度多少？节拍多快？材质是什么？），然后给出一套方案。

现在要做的事情是：把这个工程师的经验变成一个可复用的智能体。

课程展示了一段很长的 System Prompt，里面系统性地整理了成像系统的选型规则：

相机怎么选：视场 = 产品尺寸 + 各种余量，像素精度要做到公差的 1/5 到 1/10
镜头怎么算：焦距 f = 工作距离 × 芯片尺寸 / 视场，远心镜头适合高精度测量
光源怎么选：轮廓检测用背光，表面划伤用暗场光，反光件用穹顶光
成像方式判断：2D 面阵、线扫、3D 结构光、智能相机……每种都有适用场景

这不是简单的"让 AI 回答问题"，而是把领域专家的决策逻辑结构化地注入到 AI 中。好比你把一个老师傅的经验写成了标准作业指导书，但这个指导书还能根据具体情况灵活调整。

机器视觉入门——光、镜头、相机，以及为什么选错一个全白搭

Sat, 27 Jun 2026 18:00:00 +0800

工业产线上，机器怎么"看"东西？答案不在算法里，在硬件选型的每一个细节里。

开场：一个真实的翻车现场

去年帮一个朋友调一条五金件检测线。缺陷检测算法在实验室跑得好好的，一上产线就各种误报。排查了半天，最后发现原因特别朴素——光源选小了。光源有效发光面积没覆盖住整个视野，画面中间亮、两边暗，边缘的工件特征被算法当成了缺陷。

一个两千块的光源问题，浪费了三天调算法。

这就是机器视觉的第一课：它是一个链式系统，光→镜头→相机→算法，环环相扣。任何一个环节的短板都会被后续环节放大。 算法再牛，喂给它的图像质量不行，结果就是垃圾进、垃圾出。

下面记录这条链路的学习要点。

硬件三件套：光源、镜头、相机

光源：最容易被低估的环节

很多工程师（包括以前的我）觉得光源就是"把东西照亮"。错。光源的核心目标是让目标特征和背景之间的对比度最大化。

打个比方：你要在白纸上检测白色划痕，用白光正面打，什么都看不到。但换成低角度的条形光源，光线擦过表面，划痕边缘产生反射，背景是暗的，划痕是亮的——缺陷就"跳"出来了。

课程里讲了五六种常见光源，我按使用频率排个序：

环形光源：最通用，360° 均匀照明，适合大多数表面检测。如果不知道用什么，先试环形光。
条形光源：方向性强，擅长消除镜面反光。检测金属平面字符时，条形光比环形光好用得多——环形光容易在光滑表面打出大面积光晕。
背光源：从底部打光，物体轮廓变成剪影。做尺寸测量、孔径检测时的标配。
同轴光源：内置分光镜，光线垂直照射。专门对付高反光的镜面、抛光金属，能消除凹凸产生的阴影。
穹顶光源：半球形漫射，360° 无死角。检测曲面工件（比如球形外壳）时的首选，普通光源打上去全是反光斑点。

还有一个容易忽略的点：光源颜色选择遵循互补色原理。红光照绿色物体，黑白相机下物体是黑色的；红光照红色物体，物体是白色的。想让红色字符在白色背景上更突出？用蓝色光源——红色字符吸收蓝光变黑，白色背景反射蓝光变亮，对比度直接拉满。

镜头：焦距只是起点

镜头选型的第一步是算焦距，公式不复杂：

焦距 = 工作距离 × 芯片尺寸 / 视场

但焦距选对了只是及格线。真正容易踩坑的是两个参数：

景深——简单理解就是"前后多大范围内的东西是清楚的"。景深越小，对焦平面以外的物体就越模糊。影响景深的三个因素：光圈越大景深越小，焦距越长景深越小，工作距离越近景深越小。做尺寸测量时，如果工件有厚度（比如一个盒子），景深不够就会出现"上面清楚、下面模糊"的问题。

畸变——普通定焦镜头天然有畸变，短焦是桶形畸变（像被捏扁了），长焦是枕形畸变（像被拉长了）。人眼看不出小于 2% 的畸变，但做精密测量时，边缘 1mm 的畸变就是实打实的误差。这时候就得上远心镜头——它的特点是"无论物体离镜头远近，在图像里的大小不变"。类比一下：普通镜头像人眼看东西，近大远小；远心镜头像用尺子量，不管尺子放多远，读数不变。

另外注意镜头和相机的接口匹配：C 口后截距 17.5mm，CS 口 12.5mm，差 5mm。CS 口相机接 C 口镜头要加 5mm 接圈，反过来不行。接口不匹配，图像就是糊的。

相机：一个公式定成败

相机选型的核心公式：

像素精度 = 视场 / 分辨率

意思是：图像上一个像素代表实际空间中多大的尺寸。

举个例子：用 500 万像素相机（2592×1944）拍 80mm 宽的视野，像素精度 = 80 / 2592 ≈ 0.031 mm/pixel。也就是说图像里一个像素对应实际 0.031mm。

经验值：要检测的最小特征，至少要在图像中占 2~3 个像素。 如果你要检测 0.1mm 的缺陷，像素精度至少要到 0.03~0.05mm/pixel，否则缺陷在图像里就一两个模糊的点，算法根本抓不住。