01
叶片缺陷检测概述
行业背景、常见缺陷类型（裂纹、划痕、凹坑、锈蚀）、检测难点与挑战。
基础概念
02
图像采集基础
工业相机选型、镜头参数、光源方案设计、拍摄环境搭建。
硬件成像
03
图像预处理技术
灰度化、直方图均衡化、高斯滤波、中值滤波、边缘保留滤波。
滤波增强
04
图像分割基础
阈值分割（全局/自适应）、边缘检测（Canny/Sobel）、形态学操作。
分割边缘
05
特征工程入门
几何特征（面积、周长、圆形度）、纹理特征（LBP、GLCM）、颜色特征。
特征传统
06
传统机器学习方法
SVM分类器、KNN分类器、决策树与随机森林在缺陷分类中的应用。
ML分类
07
深度学习环境搭建
Anaconda配置、PyTorch/TensorFlow安装、CUDA与cuDNN配置。
环境GPU
08
卷积神经网络基础
卷积层、池化层、全连接层、激活函数、感受野与参数共享。
CNN核心
09
经典CNN架构
LeNet、AlexNet、VGGNet、ResNet原理与对比。
架构对比
10
目标检测基础
边界框、IoU、NMS、Anchor机制、特征金字塔。
检测基础
11
两阶段检测器
Faster R-CNN原理、RPN网络、ROI Pooling。
两阶段R-CNN
12
单阶段检测器
YOLO系列（v3/v5/v8）原理、SSD原理、Anchor-Free方法。
YOLO实时
13
语义分割基础
FCN、U-Net、DeepLab系列原理与对比。
分割语义
14
实例分割
Mask R-CNN原理、SOLO、YOLACT方法。
实例Mask
15
小样本缺陷检测
数据增强策略、迁移学习、元学习、少样本学习。
小样本迁移
16
数据标注工具
LabelImg、Labelme、CVAT、Roboflow使用与对比。
标注工具
17
标注规范与质量控制
标注标准制定、多人标注一致性、质量审核流程。
规范质量
18
数据增强实战
几何变换、颜色变换、噪声注入、MixUp、CutMix、Mosaic。
增强实战
19
模型训练实战
数据集划分、超参数调优、学习率策略、早停与模型保存。
训练调优
20
模型评估指标
准确率、精确率、召回率、F1-score、mAP、混淆矩阵。
评估指标
21
模型部署基础
ONNX导出、TensorRT加速、OpenVINO部署、边缘端部署。
部署加速
22
实战项目一：YOLOv8裂纹检测
基于YOLOv8的叶片裂纹检测（数据准备、训练、评估）。
项目YOLOv8
23
实战项目二：U-Net划痕分割
基于U-Net的叶片划痕分割（数据标注、模型训练、后处理）。
项目U-Net
24
实战项目三：Faster R-CNN凹坑检测
基于Faster R-CNN的叶片凹坑检测（迁移学习、调优）。
项目Faster
25
实战项目四：ResNet锈蚀分类
基于ResNet的叶片锈蚀分类（类别不平衡处理）。
项目分类
26
多缺陷联合检测
多标签分类、多任务学习、级联检测策略。
多任务级联
27
实时检测优化
模型剪枝、量化、知识蒸馏、轻量化网络设计。
优化轻量
28
异常检测方法
自编码器、GAN、基于重构的异常检测、基于特征的异常检测。
异常GAN
29
工业部署实战
Docker容器化、REST API服务、MES系统集成、可视化看板。
部署工业
30
项目总结与展望
技术路线对比、行业趋势、持续学习路径、常见问题FAQ。
总结FAQ