从数据到系统——当工业视觉遇上 AI 工程化
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。 ...