课程背景
课程缘起：
随着工业4.0的推进，AI和机器视觉技艺正深度赋能智能制造，促成产线向自动化、智能化升级。公司面临以下挑战：
•
生产效率瓶颈
：传统人工质检和生产调度难以满足高精度、高节奏诉求。
•
质量管控难题
：缺陷检测倚重人工，漏检率高，准则难以统一。
•
资料价值待挖掘
：产线海量资料未被有效利用，无法实时精进生产流程。
•
技艺融合门槛高
：AI、机器视觉等等技艺落地需跨领域学识和实操本领。
本课锁住AI数智产线和机器视觉的核心运用，借助技艺拆解和情境化实例，助力参训者迅速掌握智能化产线升级的要害本领。
课程收益
•
技艺领会
：掌握机器视觉核心组件（相机、光源、算法）和AI模型（CNN、YOLO）的协同原理。
•
情境落地本领
：研习缺陷检测、尺寸测量、定位带出等等典型运用的规划和精进办法。
•
抓手实战
：借助工业级视觉软件（如Halcon、OpenCV）以及AI平台（如DeepSeek）完成实例实操。
•
降本增效
：借助自动化质检、工艺闭环将控等等情境，降低人力成本并拉升良率。
课程特色：
•
工业情境导向
：覆盖3C、汽车零部件等等业界的真实视觉检测实例。
•
软硬结合
：从硬件选型到算法调参的全流程拆解。
•
缺陷库实战
：借助典型缺陷样本库（划痕、污渍、装配异常）上手模型训练和精进。
课程大纲
开班导入：AI+机器视觉怎样重构数智产线？
交流碰头：① 当前产线质检/生产环节的痛点（漏检率、节拍、柔性等等）② 机器视觉在“人-机-料-法-环”中的价值地图
一、机器视觉技艺基础和AI赋能推演
1.机器视觉系统三要素
1
硬件层：工业相机、镜头、光源的选型要则
2
软件层：传统算法（边缘检测，模板匹配） vs AI算法（深度研习）
3
资料流：从图像采集到PLC将控的闭环链路
2.AI怎样拉升视觉系统本领？
1
实例对比：传统OCR vs 深度研习OCR在复杂来由下的识别率
2
要害突破：小样本研习、迁移研习在工业情境的运用
二、典型运用情境和落地步骤
1.四大核心情境
1
高精度质检：表面缺陷检测（如锂电池极片瑕疵）
2
智能定位：机械臂带出（如汽车零部件装配）
3
流程精进：产线节拍拆解和瓶颈识别
4
工艺将控：基于视觉反馈的参数实时调整（如焊接质量监控）
2.落地三步法
1
诉求定义：明晰检测准则（OK/NG样本界定）
2
方案规划：硬件布局+算法选型（如2D/3D视觉选项）
3
持续精进：资料回流和模型迭代制度
三、抓手实战：DeepSeek+视觉软件迅速开发
1.DeepSeek在视觉情境中的特殊本领
1
预训练模型适配：工业缺陷检测的迁移研习招数
2
资料增强：破解样本不足问题的实战办法
2.提示词工程和自动化报告生成
分组上手：
差事：每组选项1个情境，采用DeepSeek完成：① 检测推演规划② 硬件配置建议③ 提示词精进迭代
四、挑战和化解：AI视觉落地常见问题
1.
资料瓶颈：少量样本下的解题打法（合成资料、主动研习）
2.
误检容忍度：代价敏感研习（Cost-Sensitive Learning）运用
3.
跨部门协同：IT（算法）-OT（产线）-QC（质量）的协同流程
课程收束、回顾
老师简介
Introduction to lecturers
弄懂更多
博闻智咨询|李希老师
适合谁听
公司相关管人人员。建议同一家企业 3 人以上同来，课堂上直接改造本企业的实际问题——单人参加也能学到方法，但带不走可用的成果。
交付流程
课前：顾问访谈 2 位管理者，收集现状与问题清单，讲师据此调整案例。课中：讲授与演练各占一半，产出可直接用的工具与方案。课后：7 天内提交改进建议，30 天内一次线上答疑。