技术学院
依次讲解 finetheAi 解决方案中的 2D·3D 视觉、AI 模型与 Physical AI 核心技术。可直接用作客户培训与公司内部新员工培训资料。
2D・3D 视觉
获取优质图像、进行对齐并加以测量的技术。这是在 AI 之前决定检测质量的阶段。
- 01
好图像优先：相机、光源、触发与预处理
AI 模型只能看到图像中拍到的东西。本课说明如何确定相机、光源和拍摄时机，让缺陷在图像中清晰呈现，并在送入模型之前整理亮度和背景。
- 02
对位（Alignment）：让零件以相同姿态摆正的技术
零件每次以不同角度摆放，模型就会先学到旋转而不是缺陷。本课梳理对位的原理与用途，包括圆形零件的 Ring 对位、任意形状的 PCA 对位，以及对位后再判定的 yolo_align。
- 03
基于规则的尺寸测量：把像素换算成毫米的方法
公差以数字规定的检测，比起 AI 更适合用测量。本课说明如何通过标定、轮廓提取和圆拟合测量直径、厚度和圆度，以及与 AI 判定搭配使用的架构。
- 04
Photometric Stereo：用 2D 相机看出表面高低起伏的方法
一边改变光源方向一边拍摄多张图像，就能计算出每个像素处表面朝向哪一侧。本课说明如何用曲率图呈现肉眼和普通图像中看不见的浅压痕。
- 05
3D 视觉与点云：需要高度和姿态的时候
机械臂要抓取物体，或要测量焊道高度时，2D 图像是不够的。本课说明如何对 3D 相机生成的点云进行整理、分割和配准。
AI 模型
仅用良品学习的异常检测、找出类别与位置的目标检测，以及在现场可靠地评估与运行的方法。
- 01
只看良品就能找出异常：异常检测与 PatchCore
不良样品难以收集，而且明天就可能出现从未见过的不良。本课以最广泛使用的 PatchCore 为例，说明只用良品图像训练、找出“与正常不同之处”的异常检测原理。
- 02
如何选择异常检测算法：11 种算法分别在什么时候用
AD Workbench 的 11 种算法，包括 PaDiM、PatchCore、AnomalyDINO、WinCLIP、EfficientAD 等，输出结果相同，但各有所长。本文按数据量、零件是否固定、分辨率和节拍时间整理选择依据。
- 03
目标检测：为缺陷标出名称和位置的 YOLO・RT-DETR
介绍目标检测如何针对已知缺陷类型，回答“是什么、在哪里、有多确定”。内容涵盖框・类别・置信度、IoU 与 NMS、按类别设置阈值，以及如何与异常检测配合使用。
- 04
模型评估与现场运维：过检・漏检、阈值、重新训练
仅凭准确率 99% 这个数字，还不足以让模型上线。本文介绍如何分别统计过检和漏检、根据成本设定阈值，以及监控运行中的变化并重新训练的流程。
Physical AI
机器人根据看到并判断的结果执行动作。涵盖坐标标定、数字孪生，以及采收・拾取自动化。
- 01
Physical AI：会看、会判断、会动作的 AI
不止于把检测结果显示在屏幕上，而是由机器人根据该结果抓取、搬运、加工物体，这就是 Physical AI。本文以香菇采收自动化案例介绍其组成要素和运行闭环。
- 02
手眼标定：让机器人前往相机所见位置的方法
相机用自己的坐标说“在这里”，而机器人只按自己的坐标运动。本文介绍求解两者之间变换的手眼标定（Hand-Eye）的概念、流程，以及提高精度的技巧。
- 03
数字孪生与 Pick & Place：在真机运行前先进行虚拟验证
把机器人工作站原样搬到虚拟空间中，就能在实际运动之前确认路径、碰撞和周期时间。本文按顺序走完 Pick & Place 的全流程，从 3D 识别、抓取规划到真机镜像。