AI在工业检测中的应用及工具链

制造型企业高管团队以及技术总监、产品经理，企业生产、工艺、设备、质量管理人员和数字化项目团队等。

课程背景

当前，全球制造业正加速向智能化、数字化转型，工业检测作为保障产品质量、提升生产效率、降低安全风险的核心环节，其技术水平直接决定了制造企业的核心竞争力。工业检测涵盖产品全生命周期的质量管控与生产过程的行为规范监测，具体可分为产品缺陷检测与作业行为检测两大核心场景，广泛应用于汽车、3C电子、钢铁冶金、重工制造等多个关键行业，是工业生产中不可或缺的“质量守门人”与“安全守护者”。

课程收益

通过技术讲解、案例介绍、项目演示、小组交流等形式，学员可以快速了解AI基础算法和大模型赋能工业检测技术的典型应用（汽车、3C、钢铁等）。通过演示主流机器视觉模型及平台化项目开发过程，学习并掌握包括缺陷检测、行为检测、工业多模态融合检测等技术基础，学员将全面了解AI在工业检测中的应用现状和发展趋势，掌握从数据准备、算法选型、模型训练到系统集成的全流程工具链，并能够根据实际场景设计高效的AI检测解决方案。

课程大纲

一、工业检测技术的演进及其AI赋能

工业检测的范围与场景（产品检测与行为检测）

从传统检测到AI智能检测的技术发展路径

传统检测：人工目视检查和简单测量工具阶段

传统机器视觉检测：规则算法和固定阈值的检测

AI检测：基于深度学习和神经网络具备自学习能力

案例介绍：AI检测与传统机器视觉检测的机理差异及在零部件缺陷及变异检测中的高准确性

工业检测的挑战与瓶颈：小样本、高实时性、缺陷多样性

现代工业AI检测系统的四大支柱：光学、声学、力学、化学

AI在多模态检测中的核心价值：自适应、自学习、自决策

二、工业视觉检测基础与系统选型

AI检测的眼睛：拍一张高质量现场照片的意义

工业机器视觉与图像处理的技术基础

CCD与相机技术：2D、3D相机、事件相机

镜头对图像的影响：根据视场、分辨率和工作距离选择合适的镜头

光源与照明：光照方向、光源类型与颜色对缺陷显现的作用

案例介绍：外观检测的原理与最佳设置方法举例

案例介绍：大尺寸构件机器视觉检测项目的系统组成

新的思路：基于数字孪生技术融合的“虚拟相机”

三、深度学习核心算法与缺陷检测实战

基于神经网络的核心算法简介：

AI的技术演进与当下主流核心：理解神经网络算法与通用大模型

主流机器视觉模型CNN、YOLO等在缺陷分类、定位、分割中的应用

课堂演示：基于YOLO模型的工件表面缺陷分类之数据集、缺陷标注、模型训练与验证

缺陷检测中的数据难点与知识迁移（GAN等）简介

不同行业检测场景案例精析：

缺陷检测中数据预处理的一些原则和方法

汽车行业：火花塞尺寸与车盖密封条检测

3C电子：PCB板焊点分割与缺陷识别、屏幕亮点坏点检测等

钢铁冶金：带钢表面缺陷检测（划痕、孔洞、氧化皮）

四、作业行为检测技术与应用场景

行为检测的核心技术与算法：

目标检测：识别工具、零件、人员

姿态估计：获取人体关键点，分析动作姿态

行为识别：基于视频序列判断复杂行为

作业场景与行业案例（可选）：

装配作业合规性（防呆）：

案例（汽车）：安装发动机缸盖时，正确执行了“打胶-安装-拧紧”的标准化流程。

案例（电子）：拧紧手机主板螺丝时，是否使用了正确的电动扭矩螺丝刀、拧足了指定颗数。

企业安全生产：

案例（重工）：实时监测人员是否进入危险区域、是否正确佩戴安全帽/手套。

案例（通用）：识别烟雾、火焰等异常状态。

案例介绍：作业效率分析之组装生产线的动作路径，优化动作，减少耗时

五、多模态AI融合检测技术

多模态AI融合算法

基于深度学习的多模态特征融合技术

多模态注意力机制在检测中的应用

声学与振动检测的AI应用

基于时序深度学习的故障预测

案例：基于LTSM模型故障预测的应用

案例介绍：德国莱茵检测全自动智能无人值守实验室SMART LAB

六、模型部署与系统工程

系统集成（Integration）：通过API、MQTT等协议与MES、QMS、PLC等工业系统实现“检测-判断-执行”的闭环。

模型轻量化与加速技术简介：剪枝、蒸馏、量化

部署策略选择：

边缘部署（Edge Deployment）：使用NVIDIA、华为Atlas等设备实现低延迟实时检测

云端部署（Cloud Deployment）：处理复杂分析和大批量数据

案例介绍：基于科大讯飞星火大模型的工业数据集训练与应用部署