培训对象：智能制造工程师、机器视觉工程师、质量管理人员、自动化设备集成商、需要引入AI视觉技术提升产品质检效率与精度的技术骨干。
培训目标：
理解工业AI视觉检测的系统架构与核心流程，掌握光源、相机、镜头的选型方法，搭建视觉检测硬件平台。
熟练使用深度学习工具（YOLO、PaddleDetection）训练工业缺陷检测模型，涵盖数据标注、模型训练、评估优化全流程。
能够将训练好的模型部署到工业边缘设备（Jetson、工控机），与PLC协同工作，实现产线实时质检与数据上报。
培训内容介绍：
工业视觉检测概述：了解传统视觉算法与深度学习视觉检测的差异，分析AI视觉在工业质检中的应用价值（缺陷分类、目标定位、尺寸测量），掌握典型应用场景（外观缺陷、装配验证、字符识别）。
成像系统搭建：学习光源选型（环形光、背光、同轴光、条形光）与照明方案设计，掌握相机（CCD/CMOS、全局/卷帘快门）与镜头（焦距、景深、畸变）的选型计算方法。
图像采集与预处理：配置工业相机SDK实现图像采集，掌握图像预处理技术（滤波增强、色彩空间转换、几何变换），提升图像质量便于后续检测。
缺陷数据集制作：采集包含良品与各类缺陷的样本图像，使用标注工具（LabelImg、Labelme）进行缺陷标注（边界框、分割掩膜），划分训练集/验证集/测试集。
数据增强策略：针对工业缺陷样本少、多样性不足的问题，应用数据增强技术（旋转、缩放、亮度调整、裁剪、MixUp）扩充数据集，提升模型泛化能力。
YOLO目标检测实战：使用YOLOv8/v11框架训练缺陷检测模型，配置数据集文件与训练参数，监控训练过程，评估模型精度（mAP、Precision、Recall）。
PaddleDetection/PP-YOLO：学习百度飞桨PaddleDetection框架，使用PP-YOLO模型进行工业检测，利用飞桨的工业预训练模型加速开发。
模型评估与优化：分析模型检测结果（混淆矩阵、误检漏检案例），调整模型参数（输入分辨率、锚框尺寸、置信度阈值），迭代优化模型性能。
模型部署（边缘设备）：将训练好的模型转换为TensorRT/OpenVINO格式，部署到Jetson Nano/Xavier或工业边缘计算盒子，实现实时推理。
PLC通信集成：配置视觉系统与PLC的通信（TCP/IP、Profinet、OPC UA），接收触发信号启动检测，将检测结果（OK/NG、缺陷类型）返回给PLC，实现自动化分拣。
检测结果可视化：开发检测结果显示界面，实时展示检测图像、缺陷标注、统计数据，记录检测日志，支持质量追溯。
综合实战：以实际工业产品（如手机屏幕、PCB板、汽车零部件）为对象，完成从硬件搭建、数据采集、模型训练到产线部署的全流程AI视觉检测项目。
