【培訓(xùn)對(duì)象】
制造型企業(yè)高管團(tuán)隊(duì)以及技術(shù)總監(jiān)、產(chǎn)品經(jīng)理，企業(yè)生產(chǎn)、工藝、設(shè)備、質(zhì)量管理人員和數(shù)字化項(xiàng)目團(tuán)隊(duì)等

【培訓(xùn)收益】

一、工業(yè)檢測(cè)技術(shù)的演進(jìn)及其AI賦能
1.工業(yè)檢測(cè)的范圍與場(chǎng)景（產(chǎn)品檢測(cè)與行為檢測(cè)）
2.從傳統(tǒng)檢測(cè)到AI智能檢測(cè)的技術(shù)發(fā)展路徑
傳統(tǒng)檢測(cè)：人工目視檢查和簡(jiǎn)單測(cè)量工具階段
傳統(tǒng)機(jī)器視覺(jué)檢測(cè)：規(guī)則算法和固定閾值的檢測(cè)
AI檢測(cè)：基于深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)具備自學(xué)習(xí)能力
案例介紹：AI檢測(cè)與傳統(tǒng)機(jī)器視覺(jué)檢測(cè)的機(jī)理差異及在零部件缺陷及變異檢測(cè)中的高準(zhǔn)確性
3.工業(yè)檢測(cè)的挑戰(zhàn)與瓶頸：小樣本、高實(shí)時(shí)性、缺陷多樣性
4.現(xiàn)代工業(yè)AI檢測(cè)系統(tǒng)的四大支柱：光學(xué)、聲學(xué)、力學(xué)、化學(xué)
5.AI在多模態(tài)檢測(cè)中的核心價(jià)值：自適應(yīng)、自學(xué)習(xí)、自決策
二、工業(yè)視覺(jué)檢測(cè)基礎(chǔ)與系統(tǒng)選型
1.AI檢測(cè)的眼睛：拍一張高質(zhì)量現(xiàn)場(chǎng)照片的意義
2.工業(yè)機(jī)器視覺(jué)與圖像處理的技術(shù)基礎(chǔ)
CCD與相機(jī)技術(shù)：2D、3D相機(jī)、事件相機(jī)
鏡頭對(duì)圖像的影響：根據(jù)視場(chǎng)、分辨率和工作距離選擇合適的鏡頭
光源與照明：光照方向、光源類(lèi)型與顏色對(duì)缺陷顯現(xiàn)的作用
案例介紹：外觀檢測(cè)的原理與最佳設(shè)置方法舉例
案例介紹：大尺寸構(gòu)件機(jī)器視覺(jué)檢測(cè)項(xiàng)目的系統(tǒng)組成
新的思路：基于數(shù)字孿生技術(shù)融合的“虛擬相機(jī)”
三、深度學(xué)習(xí)核心算法與缺陷檢測(cè)實(shí)戰(zhàn)
1.基于神經(jīng)網(wǎng)絡(luò)的核心算法簡(jiǎn)介：
AI的技術(shù)演進(jìn)與當(dāng)下主流核心：理解神經(jīng)網(wǎng)絡(luò)算法與通用大模型
主流機(jī)器視覺(jué)模型CNN、YOLO等在缺陷分類(lèi)、定位、分割中的應(yīng)用
課堂演示：基于YOLO模型的工件表面缺陷分類(lèi)之?dāng)?shù)據(jù)集、缺陷標(biāo)注、模型訓(xùn)練與驗(yàn)證
缺陷檢測(cè)中的數(shù)據(jù)難點(diǎn)與知識(shí)遷移（GAN等）簡(jiǎn)介
2.不同行業(yè)檢測(cè)場(chǎng)景案例精析：
缺陷檢測(cè)中數(shù)據(jù)預(yù)處理的一些原則和方法
汽車(chē)行業(yè)：火花塞尺寸與車(chē)蓋密封條檢測(cè)
3C電子：PCB板焊點(diǎn)分割與缺陷識(shí)別、屏幕亮點(diǎn)壞點(diǎn)檢測(cè)等
鋼鐵冶金：帶鋼表面缺陷檢測(cè)（劃痕、孔洞、氧化皮）
四、作業(yè)行為檢測(cè)技術(shù)與應(yīng)用場(chǎng)景
1.行為檢測(cè)的核心技術(shù)與算法：
目標(biāo)檢測(cè)：識(shí)別工具、零件、人員
姿態(tài)估計(jì)：獲取人體關(guān)鍵點(diǎn)，分析動(dòng)作姿態(tài)
行為識(shí)別：基于視頻序列判斷復(fù)雜行為
2.作業(yè)場(chǎng)景與行業(yè)案例（可選）：
裝配作業(yè)合規(guī)性（防呆）：
案例（汽車(chē)）：安裝發(fā)動(dòng)機(jī)缸蓋時(shí)，正確執(zhí)行了“打膠-安裝-擰緊”的標(biāo)準(zhǔn)化流程。
案例（電子）：擰緊手機(jī)主板螺絲時(shí)，是否使用了正確的電動(dòng)扭矩螺絲刀、擰足了指定顆數(shù)。
3.企業(yè)安全生產(chǎn)：
案例（重工）：實(shí)時(shí)監(jiān)測(cè)人員是否進(jìn)入危險(xiǎn)區(qū)域、是否正確佩戴安全帽/手套。
案例（通用）：識(shí)別煙霧、火焰等異常狀態(tài)。
4.案例介紹：作業(yè)效率分析之組裝生產(chǎn)線(xiàn)的動(dòng)作路徑，優(yōu)化動(dòng)作，減少耗時(shí)
五、多模態(tài)AI融合檢測(cè)技術(shù)
1.多模態(tài)AI融合算法
基于深度學(xué)習(xí)的多模態(tài)特征融合技術(shù)
多模態(tài)注意力機(jī)制在檢測(cè)中的應(yīng)用
2.聲學(xué)與振動(dòng)檢測(cè)的AI應(yīng)用
基于時(shí)序深度學(xué)習(xí)的故障預(yù)測(cè)
案例：基于LTSM模型故障預(yù)測(cè)的應(yīng)用
3.案例介紹：德國(guó)萊茵檢測(cè)全自動(dòng)智能無(wú)人值守實(shí)驗(yàn)室SMART LAB
六、模型部署與系統(tǒng)工程
1.系統(tǒng)集成（Integration）：通過(guò)API、MQTT等協(xié)議與MES、QMS、PLC等工業(yè)系統(tǒng)實(shí)現(xiàn)“檢測(cè)-判斷-執(zhí)行”的閉環(huán)。
2.模型輕量化與加速技術(shù)簡(jiǎn)介：剪枝、蒸餾、量化
3.部署策略選擇：
邊緣部署（Edge Deployment）：使用NVIDIA、華為Atlas等設(shè)備實(shí)現(xiàn)低延遲實(shí)時(shí)檢測(cè)
云端部署（Cloud Deployment）：處理復(fù)雜分析和大批量數(shù)據(jù)
案例介紹：基于科大訊飛星火大模型的工業(yè)數(shù)據(jù)集訓(xùn)練與應(yīng)用部署 

 洪華博士